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: Khaled Salah Mohamed
سری:
ISBN (شابک) : 9783319757148
ناشر: Springer
سال نشر: 2018
تعداد صفحات: 96
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Machine Learning for Model Order Reduction 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 یادگیری ماشین برای کاهش سفارش مدل 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 مورد یادگیری ماشین برای کاهش سفارش مدل بحث میکند، که میتواند در طراحی مدرن VLSI برای پیشبینی رفتار یک مدار الکترونیکی، از طریق مدلهای ریاضی که رفتار را پیشبینی میکنند، استفاده شود. نویسنده تکنیک هایی را برای کاهش قابل توجه زمان مورد نیاز برای شبیه سازی شامل معادلات دیفرانسیل معمولی در مقیاس بزرگ، که گاهی چندین روز یا حتی چند هفته طول می کشد، توصیف می کند. این روش کاهش سفارش مدل (MOR) نامیده میشود، که پیچیدگی سیستم بزرگ اصلی را کاهش میدهد و یک مدل با مرتبه کاهشیافته (ROM) تولید میکند تا نمونه اصلی را نشان دهد. خوانندگان دانش عمیقی از یادگیری ماشین و مفاهیم کاهش سفارش مدل، معاوضه های مربوط به استفاده از الگوریتم های مختلف، و نحوه به کارگیری تکنیک های ارائه شده در شبیه سازی مدار و تحلیل عددی به دست خواهند آورد. الگوریتم های یادگیری ماشین را در سطح معماری و سطوح الگوریتم انتزاع معرفی می کند. راه حل های ترکیبی جدید را برای کاهش سفارش مدل توضیح می دهد. الگوریتم های یادگیری ماشین را به صورت عمیق اما ساده ارائه می کند. از برنامه های کاربردی واقعی و صنعتی برای تأیید الگوریتم ها استفاده می کند.
This Book discusses machine learning for model order reduction, which can be used in modern VLSI design to predict the behavior of an electronic circuit, via mathematical models that predict behavior. The author describes techniques to reduce significantly the time required for simulations involving large-scale ordinary differential equations, which sometimes take several days or even weeks. This method is called model order reduction (MOR), which reduces the complexity of the original large system and generates a reduced-order model (ROM) to represent the original one. Readers will gain in-depth knowledge of machine learning and model order reduction concepts, the tradeoffs involved with using various algorithms, and how to apply the techniques presented to circuit simulations and numerical analysis. Introduces machine learning algorithms at the architecture level and the algorithm levels of abstraction; Describes new, hybrid solutions for model order reduction; Presents machine learning algorithms in depth, but simply; Uses real, industrial applications to verify algorithms.
Front Matter ....Pages i-xi
Introduction (Khaled Salah Mohamed)....Pages 1-18
Bio-Inspired Machine Learning Algorithm: Genetic Algorithm (Khaled Salah Mohamed)....Pages 19-34
Thermo-Inspired Machine Learning Algorithm: Simulated Annealing (Khaled Salah Mohamed)....Pages 35-46
Nature-Inspired Machine Learning Algorithm: Particle Swarm Optimization, Artificial Bee Colony (Khaled Salah Mohamed)....Pages 47-56
Control-Inspired Machine Learning Algorithm: Fuzzy Logic Optimization (Khaled Salah Mohamed)....Pages 57-63
Brain-Inspired Machine Learning Algorithm: Neural Network Optimization (Khaled Salah Mohamed)....Pages 65-74
Comparisons, Hybrid Solutions, Hardware Architectures, and New Directions (Khaled Salah Mohamed)....Pages 75-87
Conclusions (Khaled Salah Mohamed)....Pages 89-89
Back Matter ....Pages 91-93