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
دسته بندی: علم شیمی ویرایش: 1 نویسندگان: George Stephanopoulos and Chonghun Han (Eds.) سری: Advances in Chemical Engineering 22 ISBN (شابک) : 9780120085224 ناشر: Academic Press سال نشر: 1995 تعداد صفحات: 347 زبان: English فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
در صورت تبدیل فایل کتاب Intelligent Systems in Process Engineering Part II: Paradigms from Process Operations 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 سیستم های هوشمند در مهندسی فرآیند بخش دوم: پارادایم هایی از عملیات فرآیند 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.
جلدهای 21 و 22 پیشرفتهای مهندسی شیمی شامل ده پارادایم اولیه است که ایدهها و روشهای هوش مصنوعی را با تحقیقات عملیات، تئوری تخمین و کنترل و آمار ادغام میکند. هر پارادایم حول یک مسئله مهندسی ساخته شده است، به عنوان مثال. طراحی محصول، طراحی فرآیند، نظارت بر عملیات فرآیند، برنامه ریزی، زمان بندی یا کنترل. همراه با مسئله مهندسی، هر پارادایم موضوع روش شناختی خاصی را از هوش مصنوعی پیش می برد، مانند: زبان های مدل سازی. اتوماسیون در طراحی؛ استدلال نمادین و کمی؛ استدلال استقرایی و قیاسی؛ جستجوی فضاهای راه حل های گسسته؛ استدلال غیر یکنواخت؛ یادگیری قیاسی؛ یادگیری تجربی از طریق شبکه های عصبی؛ استدلال در زمان؛ و منطق در محاسبات عددی ده پارادایم این دو جلد با هم نشان میدهد که چگونه رایانهها میتوانند دامنه، نوع و مقدار دانشی را که میتواند در حل طیف وسیعی از مسائل مهندسی بیان و استفاده شود، گسترش دهند. ویژگی های کلیدی* پایه های توسعه ابزارهای کامپیوتری را برای حل تعدادی از مسائل مهندسی مجزا تنظیم می کند* خواننده را در معرض انواع تکنیک های هوش مصنوعی در مدل سازی خودکار، جستجو، استدلال و یادگیری قرار می دهد* محصول تجربه ده ساله در ادغام هوش مصنوعی در مهندسی فرآیند * فرمولبندیهای گسترده و واقعی از مشکلات دنیای واقعی را ارائه میدهد
Volumes 21 and 22 of Advances in Chemical Engineering contain ten prototypical paradigms which integrate ideas and methodologies from artificial intelligence with those from operations research, estimation andcontrol theory, and statistics. Each paradigm has been constructed around an engineering problem, e.g. product design, process design, process operations monitoring, planning, scheduling, or control. Along with the engineering problem, each paradigm advances a specific methodological theme from AI, such as: modeling languages; automation in design; symbolic and quantitative reasoning; inductive and deductive reasoning; searching spaces of discrete solutions; non-monotonic reasoning; analogical learning;empirical learning through neural networks; reasoning in time; and logic in numerical computing. Together the ten paradigms of the two volumes indicate how computers can expand the scope, type, and amount of knowledge that can be articulated and used in solving a broad range of engineering problems. Key Features* Sets the foundations for the development of computer-aided tools for solving a number of distinct engineering problems* Exposes the reader to a variety of AI techniques in automatic modeling, searching, reasoning, and learning* The product of ten-years experience in integrating AI into process engineering* Offers expanded and realistic formulations of real-world problems
Content:
Series Editors
Page ii
Edited by
Page iii
Copyright page
Page iv
Dadication
Page v
Contributors Volume 22
Page xi
Contributors Volume 21
Page xvii
Prologue
Pages xix-xxxi
George Stephanopoulos, Chonghun Han
Nonmonotonic Reasoning: The Synthesis of Operating Procedures in Chemical Plants Original Research Article
Pages 313-376
Chonghun Han, Ramachandran Lakshmanan, Bhavik Bakshi, George Stephanopoulos
Inductive and Analogical Learning: Data-Driven Improvement of Process Operations Original Research Article
Pages 377-435
Pedro M. Saraiva
Empirical Learning Through Neural Networks: The Wave-Net Solution Original Research Article
Pages 437-484
Alexandros Koulouris, Bhavik R. Bakshi, George Stephanopoulos
Reasoning in Time: Modeling, Analysis, and Pattern Recognition of Temporal Process Trends Original Research Article
Pages 485-548
Bhavik R. Bakshi, George Stephanopoulos
Intelligence in Numerical Computing: Improving Batch Scheduling Algorithms Through Explanation-Based Learning Original Research Article
Pages 549-610
Matthew J. Realff
Index
Pages 611-620