دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Mary M. Poulton (Eds.)
سری: Handbook of Geophysical Exploration: Seismic Exploration 30
ISBN (شابک) : 9780080439860
ناشر: Pergamon
سال نشر: 2001
تعداد صفحات: 351
زبان:
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 8 مگابایت
در صورت تبدیل فایل کتاب Computational neural networks for geophysical data processing به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب شبکه های عصبی محاسباتی برای پردازش داده های ژئوفیزیکی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب در درجه اول برای مخاطبانی نوشته شده است که در مورد شبکه های عصبی شنیده اند یا تجربه ای با الگوریتم ها داشته اند، اما مایلند درک عمیق تری از مطالب اساسی به دست آورند. برای کسانی که قبلاً درک کاملی از نحوه ایجاد یک برنامه کاربردی شبکه عصبی دارند، این کار میتواند طیف گستردهای از نمونههای ظریف در طراحی شبکه، طراحی مجموعه دادهها، استراتژی تست و تجزیه و تحلیل خطا را ارائه دهد. در این کتاب از اصلاحکنندههای محاسباتی و نه مصنوعی برای شبکههای عصبی استفاده شده است تا بین شبکههایی که در سختافزار پیادهسازی شدهاند و شبکههایی که در نرمافزار پیادهسازی میشوند، تمایز قائل شوند. اصطلاح شبکه عصبی مصنوعی هر پیاده سازی غیر ارگانیک و عمومی ترین اصطلاح را پوشش می دهد. شبکههای عصبی محاسباتی فقط در نرمافزار پیادهسازی میشوند اما اکثریت قریب به اتفاق برنامهها را نشان میدهند. در حالی که این کتاب نمی تواند یک چاپ آبی برای هر برنامه ژئوفیزیک قابل تصور ارائه کند، یک رویکرد اساسی را که با موفقیت مورد استفاده قرار گرفته است را ترسیم می کند.
This book was primarily written for an audience that has heard about neural networks or has had some experience with the algorithms, but would like to gain a deeper understanding of the fundamental material. For those that already have a solid grasp of how to create a neural network application, this work can provide a wide range of examples of nuances in network design, data set design, testing strategy, and error analysis. Computational, rather than artificial, modifiers are used for neural networks in this book to make a distinction between networks that are implemented in hardware and those that are implemented in software. The term artificial neural network covers any implementation that is inorganic and is the most general term. Computational neural networks are only implemented in software but represent the vast majority of applications. While this book cannot provide a blue print for every conceivable geophysics application, it does outline a basic approach that has been used successfully.
Content:
Preface
Pages xi-xii
Mary M. Poulton
Contributing authors
Page xiii
Chapter 1 A brief history Original Research Article
Pages 3-18
Mary M. Poulton
Chapter 2 Biological versus computational neural networks Original Research Article
Pages 19-25
Mary M. Poulton
Chapter 3 Multi-layer perceptrons and back-propagation learning Original Research Article
Pages 27-53
Mary M. Poulton
Chapter 4 Design of training and testing sets Original Research Article
Pages 55-65
Mary M. Poulton
Chapter 5 Alternative architectures and learning rules Original Research Article
Pages 67-88
Mary M. Poulton
Chapter 6 Software and other resources Original Research Article
Pages 89-98
Mary M. Poulton
Chapter 7 Seismic interpretation and processing applications Original Research Article
Pages 101-118
Meghan S. Miller, Kathy S. Powell
Chapter 8 Rock mass and reservoir characterization Original Research Article
Pages 119-127
Mary M. Poulton, Kathy S. Powell
Chapter 9 Identifying seismic crew noise Original Research Article
Pages 129-154
Vinton B. Buffenmyer
Chapter 10 Self-Organizing Map (SOM) network for tracking horizons and classifying seismic traces Original Research Article
Pages 155-170
Lin Zhang, John Quieren, James Schuelke
Chapter 11 Permeability estimation with an RBF network and Levenberg-Marquardt learning Original Research Article
Pages 171-186
Fred K. Boadu
Chapter 12 Caianiello neural network method for geophysical inverse problems Original Research Article
Pages 187-215
Li-Yun Fu
Chapter 13 Non-seismic applications Original Research Article
Pages 219-233
Mary M. Poulton
Chapter 14 Detection of AEM anomalies corresponding to dike structures Original Research Article
Pages 235-256
Andreas Ahl, Wolfgang Seiberl
Chapter 15 Locating layer boundaries with unfocused resistivity tools Original Research Article
Pages 257-285
Lin Zhang
Chapter 16 A neural network interpretation system for near-surface geophysics electromagnetic ellipticity soundings Original Research Article
Pages 287-306
Ralf A. Birken
Chapter 17 Extracting IP parameters from TEM data Original Research Article
Pages 307-326
Hesham El-Kaliouby
Author index
Pages 327-329
Index
Pages 331-335