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: Maria do Carmo Nicoletti, João R. Bertini Jr. (auth.), Leonardo Franco, David A. Elizondo, José M. Jerez (eds.) سری: Studies in Computational Intelligence 258 ISBN (شابک) : 9783642045110, 9783642045127 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2009 تعداد صفحات: 295 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
کلمات کلیدی مربوط به کتاب شبکه های عصبی سازنده: کاربردی ریاضیات/روش های محاسباتی مهندسی، هوش مصنوعی (شامل رباتیک)
در صورت تبدیل فایل کتاب Constructive Neural Networks 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 سازنده 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 مجموعه ای از مقالات دعوت شده در مورد روش های سازنده برای شبکه های عصبی است. اکثر فصول نسخه های توسعه یافته کارهای ارائه شده در جلسه ویژه الگوریتم های شبکه عصبی سازنده هجدهامین کنفرانس بین المللی شبکه های عصبی مصنوعی (ICANN 2008) است که در 3-6 سپتامبر 2008 در پراگ برگزار شد. جمهوری چک.
این کتاب به شبکههای عصبی سازنده و دیگر الگوریتمهای یادگیری افزایشی اختصاص دارد که جایگزینی برای روشهای آزمون و خطای استاندارد برای جستجوی معماریهای مناسب هستند. این مقاله از 15 مقاله تشکیل شده است که مروری بر آخرین پیشرفت ها در مورد تکنیک های در حال توسعه برای شبکه های عصبی سازنده و کاربردهای آنها ارائه می دهد. این مورد برای محققان صنعت و دانشگاهیان و دانشجویان تحصیلات تکمیلی علاقه مند به آخرین پیشرفت ها و پیشرفت ها در زمینه شبکه های عصبی مصنوعی خواهد بود.
The book is a collection of invited papers on Constructive methods for Neural networks. Most of the chapters are extended versions of works presented on the special session on constructive neural network algorithms of the 18th International Conference on Artificial Neural Networks (ICANN 2008) held September 3-6, 2008 in Prague, Czech Republic.
The book is devoted to constructive neural networks and other incremental learning algorithms that constitute an alternative to standard trial and error methods for searching adequate architectures. It is made of 15 articles which provide an overview of the most recent advances on the techniques being developed for constructive neural networks and their applications. It will be of interest to researchers in industry and academics and to post-graduate students interested in the latest advances and developments in the field of artificial neural networks.
Front Matter....Pages -
Constructive Neural Network Algorithms for Feedforward Architectures Suitable for Classification Tasks....Pages 1-23
Efficient Constructive Techniques for Training Switching Neural Networks....Pages 25-48
Constructive Neural Network Algorithms That Solve Highly Non-separable Problems....Pages 49-70
On Constructing Threshold Networks for Pattern Classification....Pages 71-82
Self-Optimizing Neural Network 3....Pages 83-101
M-CLANN: Multiclass Concept Lattice-Based Artificial Neural Network....Pages 103-121
Constructive Morphological Neural Networks: Some Theoretical Aspects and Experimental Results in Classification....Pages 123-144
A Feedforward Constructive Neural Network Algorithm for Multiclass Tasks Based on Linear Separability....Pages 145-169
Analysis and Testing of the m -Class RDP Neural Network....Pages 171-192
Active Learning Using a Constructive Neural Network Algorithm....Pages 193-206
Incorporating Expert Advice into Reinforcement Learning Using Constructive Neural Networks....Pages 207-224
A Constructive Neural Network for Evolving a Machine Controller in Real-Time....Pages 225-242
Avoiding Prototype Proliferation in Incremental Vector Quantization of Large Heterogeneous Datasets....Pages 243-260
Tuning Parameters in Fuzzy Growing Hierarchical Self-Organizing Networks....Pages 261-279
Self-Organizing Neural Grove: Efficient Multiple Classifier System with Pruned Self-Generating Neural Trees....Pages 281-291
Back Matter....Pages -