Neural Networks and Artificial Intelligence for Biomedical Engineering

ویرایش:  
نویسندگان: Donna L. Hudson,  Maurice E. Cohen(auth.)  
سری:  
ISBN (شابک) : 9780780334045, 9780470545355 
ناشر: Wiley-IEEE Press 
سال نشر: 1999 
تعداد صفحات: 314 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 10 مگابایت 

قیمت کتاب (تومان) : 32,000

این کتاب مرجع ضروری با استفاده از نمونه‌هایی از زیست‌پزشکی و مهندسی زیست‌پزشکی، پوشش جامعی از تمام تکنیک‌های اصلی در حال حاضر برای ساختن سیستم‌های پشتیبانی تصمیم‌گیری به کمک رایانه در دسترس شما قرار می‌دهد. راه‌حل‌های عملی برای زیست‌پزشکی بر اساس تئوری و کاربردهای شبکه‌های عصبی، هوش مصنوعی و سایر روش‌ها برای توسعه کمک‌های تصمیم‌گیری، از جمله سیستم‌های ترکیبی، پیدا خواهید کرد.

شبکه های عصبی و هوش مصنوعی برای مهندسی زیست پزشکی به دانشجویان و دانشمندان مهندسی پزشکی، انفورماتیک زیست پزشکی و هوش مصنوعی پزشکی درک عمیق تری از تکنیک های قدرتمندی که اکنون با طیف گسترده ای از کاربردهای زیست پزشکی استفاده می شوند، ارائه می دهد. .

موضوعات برجسته عبارتند از:

• انواع شبکه های عصبی و الگوریتم های شبکه عصبی
• نمایش دانش، کسب دانش و روش های استدلال
• تحلیل آشفته سری های زمانی زیست پزشکی
• الگوریتم های ژنتیک
• سیستم های مبتنی بر احتمال و سیستم های فازی
• ارزیابی و اعتبار سنجی کمک های پشتیبانی تصمیم.

یک سایت FTP پشتیبانی مربی از بخش تحریریه Wiley در دسترس است: ftp://ftp.ieee.org/uploads/press/hudsonContent:
فصل 1 مبانی شبکه های عصبی (صفحات 11-28): < br>فصل 2 کلاس های شبکه های عصبی (صفحات 29-44):
فصل 3 طبقه بندی شبکه ها و یادگیری (صفحات 45-57):
فصل 4 آموزش نظارت شده (صفحات 59-77):
فصل 5 یادگیری بدون نظارت (صفحات 79-93):
مسائل طراحی فصل 6 (صفحات 95-107):
فصل 7 تجزیه و تحلیل مقایسه ای (صفحات 109-119):
فصل 8 اعتبار سنجی و ارزیابی (صفحات 121-127) ):
فصل 9 مبانی کامپیوتر؟ تصمیم گیری با کمک (صفحات 129-149):
فصل 10 بازنمایی دانش (صفحات 151-172):
فصل 11 اکتساب دانش (صفحات 173-184): < br>فصل 12 روش‌های استدلال (صفحات 185-204):
فصل 13 اعتبار سنجی و ارزیابی (صفحات 205-213):
فصل 14 الگوریتم‌های ژنتیک (صفحات 215-224):
فصل 15 سیستم‌های Probabilistic صفحات 225-242):
فصل 16 سیستم های فازی (صفحه های 243-260):
فصل 17 سیستم های ترکیبی (صفحه های 261-271):
فصل 18 HyperMerge، یک سیستم خبره ترکیبی (صفحه های 273-290) ):
فصل 19 چشم اندازهای آینده (صفحات 291-295):

Using examples drawn from biomedicine and biomedical engineering, this essential reference book brings you comprehensive coverage of all the major techniques currently available to build computer-assisted decision support systems. You will find practical solutions for biomedicine based on current theory and applications of neural networks, artificial intelligence, and other methods for the development of decision aids, including hybrid systems.

Neural Networks and Artificial Intelligence for Biomedical Engineering offers students and scientists of biomedical engineering, biomedical informatics, and medical artificial intelligence a deeper understanding of the powerful techniques now in use with a wide range of biomedical applications.

Highlighted topics include:

• Types of neural networks and neural network algorithms
• Knowledge representation, knowledge acquisition, and reasoning methodologies
• Chaotic analysis of biomedical time series
• Genetic algorithms
• Probability-based systems and fuzzy systems
• Evaluation and validation of decision support aids.

An Instructor Support FTP site is available from the Wiley editorial department: ftp://ftp.ieee.org/uploads/press/hudsonContent:
Chapter 1 Foundations of Neural Networks (pages 11–28):
Chapter 2 Classes of Neural Networks (pages 29–44):
Chapter 3 Classification Networks and Learning (pages 45–57):
Chapter 4 Supervised Learning (pages 59–77):
Chapter 5 Unsupervised Learning (pages 79–93):
Chapter 6 Design Issues (pages 95–107):
Chapter 7 Comparative Analysis (pages 109–119):
Chapter 8 Validation and Evaluation (pages 121–127):
Chapter 9 Foundations of Computer?Assisted Decision Making (pages 129–149):
Chapter 10 Knowledge Representation (pages 151–172):
Chapter 11 Knowledge Acquisition (pages 173–184):
Chapter 12 Reasoning Methodologies (pages 185–204):
Chapter 13 Validation and Evaluation (pages 205–213):
Chapter 14 Genetic Algorithms (pages 215–224):
Chapter 15 Probabilistic Systems (pages 225–242):
Chapter 16 Fuzzy Systems (pages 243–260):
Chapter 17 Hybrid Systems (pages 261–271):
Chapter 18 HyperMerge, a Hybrid Expert System (pages 273–290):
Chapter 19 Future Perspectives (pages 291–295):