برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Metaheuristic Procedures for Training Neutral Networks

دانلود کتاب روشهای استعاری برای آموزش شبکه های عصبی

مشخصات کتاب

Metaheuristic Procedures for Training Neutral Networks

دسته بندی: شبکه سازی
ویرایش: 1 
نویسندگان: Enrique Alba. Rafael Martí  
سری: Operations Research Computer Science Interfaces Series 
ISBN (شابک) : 9780387334158, 0387334157 
ناشر: Springer 
سال نشر: 2006 
تعداد صفحات: 257 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 11 مگابایت

قیمت کتاب (تومان) : 49,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 18

در صورت تبدیل فایل کتاب Metaheuristic Procedures for Training Neutral 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 روشهای استعاری برای آموزش شبکه های عصبی 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.

توضیحاتی در مورد کتاب روشهای استعاری برای آموزش شبکه های عصبی

شبکه‌های عصبی مصنوعی (ANN) یک چارچوب کلی برای نمایش نگاشت‌های غیرخطی از چندین متغیر ورودی به چندین متغیر خروجی ارائه می‌دهند و می‌توانند به عنوان توسعه بسیاری از تکنیک‌های نگاشت مرسوم در نظر گرفته شوند. علاوه بر ملاحظات بسیاری در مورد پایه‌های بیولوژیکی و طیف وسیعی از کاربردها، ساخت شبکه‌های عصبی مصنوعی مناسب می‌تواند به عنوان یک مشکل واقعاً سخت دیده شود. یک کار متمایز در ساخت شبکه های عصبی مصنوعی تنظیم مجموعه ای از پارامترها به نام وزن است. این موضوع محور اصلی کتاب حاضر خواهد بود. شبکه‌های عصبی مصنوعی آموزش‌دیده می‌توانند بعداً در مسائل طبقه‌بندی (یا شناسایی) استفاده شوند، جایی که خروجی‌های ANN نشان‌دهنده دسته‌ها هستند، یا در مسائل پیش‌بینی (تقریبی)، که در آن خروجی‌ها متغیرهای پیوسته را نشان می‌دهند. روش‌های فراابتکاری برای آموزش شبکه‌های عصبی، اجرای موفقیت‌آمیز روش‌های فراابتکاری را برای آموزش شبکه‌های عصبی فراهم می‌کند. علاوه بر این، اصول اولیه و ایده های اساسی ارائه شده در کتاب به خوانندگان این امکان را می دهد که روش های آموزشی موفقی را به تنهایی ایجاد کنند. جدا از فصل 1 که در آن روش های کلاسیک آموزشی برای کامل بودن کتاب بررسی شده است، فصل ها را در سه دسته اصلی طبقه بندی کرده ایم. اولین مورد به روش‌های مبتنی بر جستجوی محلی اختصاص دارد، که در آن ما بازپخت شبیه‌سازی شده، جستجوی تابو، و جستجوی همسایگی متغیر را شامل می‌شود. بخش دوم کتاب مؤثرترین روش‌های مبتنی بر جمعیت، مانند الگوریتم‌های توزیع تخمین، جستجوی پراکندگی و الگوریتم‌های ژنتیک را ارائه می‌کند. در نهایت، بخش سوم شامل سایر تکنیک های پیشرفته مانند بهینه سازی کلونی مورچه ها، روش های تکاملی مشترک، GRASP و الگوریتم های Memetic می باشد. نشان داده شده است که همه این روش ها راه حل های با کیفیت بالا را در طیف گسترده ای از مسائل بهینه سازی سخت ارائه می دهند. با این حال، هدف کتاب طوری طراحی شده است که پوشش وسیعی از مفاهیم، روش‌ها و ابزارهای این حوزه مهم شبکه‌های عصبی مصنوعی در قلمرو بهینه‌سازی مداوم ارائه دهد.

توضیحاتی درمورد کتاب به خارجی

Artificial neural networks (ANNs) offer a general framework for representing non-linear mappings from several input variables to several output variables, and they can be considered as an extension of the many conventional mapping techniques. In addition to many considerations on their biological foundations and their really wide spectrum of applications, constructing appropriate ANNs can be seen as a really hard problem. A distinguished task in building ANNs is the tuning of a set of parameters known as weights. This will be the main focus of the present book. The trained ANNs can be later used in classification (or recognition) problems, where the ANN outputs represent categories, or in prediction (approximation) problems, where the outputs represent continuous variables. METAHEURISTIC PROCEDURES FOR TRAINING NEURAL NETWORKS provides successful implementations of metaheuristic methods for neural network training. Moreover, the basic principles and fundamental ideas given in the book will allow the readers to create successful training methods on their own. Apart from Chapter 1, in which classical training methods are reviewed for the sake of the book’s completeness, we have classified the chapters in three main categories. The first one is devoted to local search based methods, in which we include Simulated Annealing, Tabu Search, and Variable Neighborhood Search. The second part of the book presents the most effective population based methods, such as Estimation Distribution algorithms, Scatter Search, and Genetic Algorithms. Finally, the third part includes other advanced techniques, such as Ant Colony Optimization, Co-evolutionary methods, GRASP, and Memetic algorithms. All these methods have been shown to work out high quality solutions in a wide range of hard optimization problems. However, the book's objective is engineered to provide a broad coverage of the concepts, methods, and tools of this important area of ANNs within the realm of continuous optimization.

فهرست مطالب

Introduction....Pages 1-8
Automobile Production and Distribution....Pages 9-20
Intermodal Vehicle Transshipment....Pages 21-39
Management of Terminal Operations....Pages 41-60
Modeling Terminal Operations....Pages 61-82
Allocation of Storage Space....Pages 83-108
Personnel Deployment....Pages 109-137
IT-Integration of Planning....Pages 139-158