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:
نویسندگان: Cong Wang. David J. Hill
سری:
ISBN (شابک) : 9780849375538
ناشر: CRC
سال نشر: 2010
تعداد صفحات: 200
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 10 مگابایت
در صورت تبدیل فایل کتاب Deterministic Learning Theory. For Identification, Recognition and Control 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 نظریه یادگیری قطعی. برای شناسایی، شناسایی و کنترل 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.
تئوری یادگیری قطعی برای شناسایی، شناسایی و کنترل یک چارچوب مفهومی یکپارچه برای کسب دانش، نمایش و استفاده از دانش در محیطهای پویا نامشخص ارائه میکند. رویکردهای طراحی سیستماتیک برای شناسایی، تشخیص و کنترل سیستم های خطی نامطمئن را ارائه می دهد. برخلاف بسیاری از کتابهایی که در حال حاضر در دسترس هستند و بر اصول آماری تمرکز دارند، این کتاب بر یادگیری از طریق کنترل عصبی حلقه بسته، نمایش مؤثر و تشخیص الگوهای زمانی به روشی قطعی تأکید میکند. دیدگاهی قطعی از یادگیری در محیطهای پویا نویسندگان با مقدمهای بر مفاهیم نظریه یادگیری قطعی شروع میکنند و به دنبال آن بحثی در مورد خاصیت تحریک پایدار شبکههای RBF ارائه میشود. آنها عناصر یادگیری قطعی را توصیف می کنند و به شناسایی الگوی پویا و فرآیندهای کنترل مبتنی بر الگو می پردازند. نتایج در زمینه هایی مانند تشخیص و جداسازی خطاهای نوسانی، تشخیص الگوی ECG/EEG، یادگیری و کنترل ربات، و تجزیه و تحلیل امنیتی و کنترل سیستم های قدرت قابل استفاده است. مدل جدیدی از پردازش اطلاعات این کتاب یک نظریه یادگیری را توضیح می دهد که با استفاده از مفاهیم و ابزارهای رشته سیستم ها و کنترل توسعه یافته است. دانش اساسی در مورد دینامیک سیستم از فرآیندهای دینامیکی به دست می آید و سپس برای دستیابی به تشخیص سریع الگوهای دینامیکی و کنترل حلقه بسته مبتنی بر الگو از طریق به اصطلاح تطبیق داخلی و دینامیکی دینامیک سیستم استفاده می شود. این در واقع نشان دهنده مدل جدیدی از پردازش اطلاعات است، یعنی مدلی از پردازش موازی پویا (DPDP).
Deterministic Learning Theory for Identification, Recognition, and Control presents a unified conceptual framework for knowledge acquisition, representation, and knowledge utilization in uncertain dynamic environments. It provides systematic design approaches for identification, recognition, and control of linear uncertain systems. Unlike many books currently available that focus on statistical principles, this book stresses learning through closed-loop neural control, effective representation and recognition of temporal patterns in a deterministic way. A Deterministic View of Learning in Dynamic Environments The authors begin with an introduction to the concepts of deterministic learning theory, followed by a discussion of the persistent excitation property of RBF networks. They describe the elements of deterministic learning, and address dynamical pattern recognition and pattern-based control processes. The results are applicable to areas such as detection and isolation of oscillation faults, ECG/EEG pattern recognition, robot learning and control, and security analysis and control of power systems. A New Model of Information Processing This book elucidates a learning theory which is developed using concepts and tools from the discipline of systems and control. Fundamental knowledge about system dynamics is obtained from dynamical processes, and is then utilized to achieve rapid recognition of dynamical patterns and pattern-based closed-loop control via the so-called internal and dynamical matching of system dynamics. This actually represents a new model of information processing, i.e. a model of dynamical parallel distributed processing (DPDP).