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: 1
نویسندگان: Riccardo Leardi
سری: Data Handling in Science and Technology
ISBN (شابک) : 0444513507, 9780444513502
ناشر: Elsevier Science
سال نشر: 2003
تعداد صفحات: 402
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
در صورت تبدیل فایل کتاب Nature-inspired methods in chemometrics: genetic algorithms and artificial neural networks, Volume 23 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 روش های الهام گرفته از طبیعت در شیمی سنجی: الگوریتم های ژنتیک و شبکه های عصبی مصنوعی، جلد 23 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.
در سالهای اخیر، اهمیت الگوریتمهای ژنتیک (GA) و شبکههای عصبی
مصنوعی (ANN) در میان تکنیکهایی که به طور معمول در شیمیسنجی
مورد استفاده قرار میگیرند، افزایش یافته است. این کتاب شامل کمک
های متخصصان این حوزه است که در دو بخش (GA و ANN) تقسیم شده است.
در هر قسمت، فصول آموزشی گنجانده شده است که در آن مبانی نظری هر
تکنیک به صورت تخصصی (اما ساده) شرح داده شده است. اینها با فصل
های کاربردی دنبال می شوند که در آنها تأکید ویژه ای بر مزایای
استفاده از GA یا ANN برای آن مشکل خاص، در مقایسه با تکنیک های
کلاسیک، و خطرات مرتبط با سوء استفاده از آن داده می شود.
این کتاب برای همه کسانی که از GA و ANN استفاده می کنند یا به
آنها علاقه مند هستند مفید است. مبتدیان می توانند توجه خود را بر
روی آموزش ها متمرکز کنند، در حالی که پیشرفته ترین خوانندگان
علاقه بیشتری به مشاهده کاربردهای تکنیک ها خواهند داشت. همچنین
به عنوان یک کتاب مرجع برای دانش آموزان مناسب است.
- اهمیت موضوع به طور پیوسته در حال افزایش است
- مقایسه الگوریتم های ژنتیک (GA) و شبکه های عصبی مصنوعی (ANN)
با تکنیک های کلاسیک
- مناسب برای محققان مبتدی و پیشرفته
In recent years Genetic Algorithms (GA) and Artificial Neural
Networks (ANN) have progressively increased in importance
amongst the techniques routinely used in chemometrics. This
book contains contributions from experts in the field is
divided in two sections (GA and ANN). In each part, tutorial
chapters are included in which the theoretical bases of each
technique are expertly (but simply) described. These are
followed by application chapters in which special emphasis will
be given to the advantages of the application of GA or ANN to
that specific problem, compared to classical techniques, and to
the risks connected with its misuse.
This book is of use to all those who are using or are
interested in GA and ANN. Beginners can focus their attentions
on the tutorials, whilst the most advanced readers will be more
interested in looking at the applications of the techniques. It
is also suitable as a reference book for students.
- Subject matter is steadily increasing in importance
- Comparison of Genetic Algorithms (GA) and Artificial Neural
Networks (ANN) with the classical techniques
- Suitable for both beginners and advanced researchers
Content:
Preface
Page vii
Contents
Pages ix-xv
List of Contributors
Pages xvii-xviii
Genetic algorithms and beyond Review Article
Pages 3-54
Brian T. Luke
Hybrid genetic algorithms Review Article
Pages 55-68
D Brynn Hibbert
Robust soft sensor development using genetic programming Review Article
Pages 69-108
Arthur K. Kordon, Guido F. Smits, Alex N. Kalos, Elsa M. Jordaan
Genetic algorithms in molecular modelling: a review Review Article
Pages 109-139
Alessandro Maiocchi
MobyDigs: software for regression and classification models by genetic algorithms Review Article
Pages 141-167
Roberto Todeschini, Viviana Consonni, Andrea Mauri, Manuela Pavan
Genetic algorithm-PLS as a tool for wavelength selection in spectral data sets Review Article
Pages 169-196
Riccardo Leardi
Basics of artificial neural networks Review Article
Pages 199-229
Jure Zupan
Artificial neural networks in molecular structures—property studies Review Article
Pages 231-256
Marjana Novic, Marjan Vracko
Neural networks for the calibration of voltammetric data Review Article
Pages 257-280
Conrad Bessant, Edward Richards
Neural networks and genetic algorithms applications in nuclear magnetic resonance spectroscopy Review Article
Pages 281-321
Reinhard Meusinger, Uwe Himmelreich
A QSAR model for predicting the acute toxicity of pesticides to Gammarids Review Article
Pages 323-339
James Devillers
Applying genetic algorithms and neural networks to chemometric problems Review Article
Pages 343-375
Brian T. Luke
Subject Index
Pages 377-383