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: سایبرنتیک: هوش مصنوعی ویرایش: نویسندگان: Hideyuki T. سری: ناشر: سال نشر: تعداد صفحات: 14 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 330 کیلوبایت
کلمات کلیدی مربوط به کتاب مقدمه ای بر سیستم های فازی ، شبکه های عصبی و الگوریتم های ژنتیک: علوم و مهندسی کامپیوتر، هوش مصنوعی، الگوریتم های تکاملی
در صورت تبدیل فایل کتاب Introduction to Fuzzy Systems, Neural Networks, and Genetic Algorithms 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 مقدمه ای بر سیستم های فازی ، شبکه های عصبی و الگوریتم های ژنتیک 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.
مقاله، سیستمهای هوشمند: منطق فازی، شبکههای عصبی و
الگوریتمهای ژنتیک، فصل 1، صفحات 1–33، ایالات متحده آمریکا،
سپتامبر 1997
مقدمه
نظریه و سیستمهای فازی
جنبههای فازی سیستم ها
کنترل مبتنی بر مدل ریاضی و کنترل مبتنی بر قانون
طراحی قطعات پیشین
طراحی اجزای متعاقب
استدلال فازی و تجمع
قیاس از شبکه های عصبی بیولوژیکی
چندین نوع شبکه عصبی مصنوعی
تغذیه NN و الگوریتم یادگیری پس انتشار
تعریف تابع
محاسبات تکاملی
GA به عنوان یک روش جستجو
عملیات GA
عملیات GA: انتخاب
عملیات GA: متقاطع
عملیات GA: جهش
طراحی FS ها با استفاده از NN یا GA
پیکربندی NN بر اساس قاعده فازی
ترکیب NN و FS
NN یادگیری و پیکربندی بر اساس GA
تابع تناسب اندام مبتنی بر NN برای GA
Paper, Intelligent Systems: Fuzzy Logic, Neural Networks, and
Genetic Algorithms, Ch.1, pp.1–33,USA, September, 1997
Introduction
Fuzzy theory and systems
Aspects of fuzzy systems
Mathematical model-based control and rule-based control
Design of antecedent parts
Design of consequent parts
Fuzzy reasoning and aggregation
Analogy from biological neural networks
Several types of artificial neural networks
Feed-forward NN and the backpropagation learning
algorithm
Function approximation
Evolutionary computation
GA as a searching method
GA operations
GA operation: selection
GA operation: crossover
GA operation: mutation
Designing FSs using NN or GA
NN configuration based on fuzzy rule base
Combination of NN and FS
NN learning and configuration based on GA
NN-based fitness function for GA