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: Harry Wechsler
سری:
ISBN (شابک) : 9780127412528, 0127412522
ناشر: Elsevier Inc, Academic Press
سال نشر: 1992
تعداد صفحات: 370
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 21 مگابایت
در صورت تبدیل فایل کتاب Neural Networks for Perception. Computation, Learning, and Architectures 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 شبکه های عصبی برای ادراک محاسبات، یادگیری، و معماری 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 مجلدات تحقیقات اخیر در شبکه های عصبی را بررسی می کنند که درک ما از ادراک انسان و ماشین را ارتقا داده است. مشارکتهای محققان بینالمللی به مسائل نظری و عملی مربوط به امکانسنجی مدلهای شبکه عصبی در توضیح ادراک انسان و اجرای ادراک ماشین میپردازد. جلد 1 مدل هایی برای درک ادراک انسان از نظر محاسبات توزیع شده و همچنین نمونه هایی از مدل های شبکه عصبی برای ادراک ماشین را پوشش می دهد. جلد 2 مشکلات محاسباتی و تطبیقی مربوط به استفاده از سیستم های عصبی را بررسی می کند و معماری های سخت افزاری مربوطه مورد نیاز برای پیاده سازی شبکه های عصبی برای درک را مورد بحث قرار می دهد.
These volumes explore recent research in neural networks that has advanced our understanding of human and machine perception. Contributions from international researchers address both theoretical and practical issues related to the feasibility of neural network models explaining human perception and implementing machine perception. Volume 1 covers models for understanding human perception in terms of distributed computation as well as examples of neural network models for machine perception. Volume 2 examines computational and adaptational problems related to the use of neural systems and discusses the corresponding hardware architectures needed to implement neural networks for perception
Content:
Front Matter, Page iii
Copyright, Page iv
Dedication, Page v
Contents of Volume 1, Pages ix-xi
Contributors, Pages xiii-xiv
Foreword, Pages xv-xix, Harry Wechsler
III. Introduction, Pages 3-7
III.1 - Learning Visual Behaviors, Pages 8-39, DANA H. BALLARD, STEVEN D. WHITEHEAD
III.2 - Nonparametric Regression Analysis Using Self-Organizing Topological Maps, Pages 40-64, VLADIMIR CHERKASSKY, HOSSEIN LARI-NAJAFI
III.3 - Theory of the Backpropagation Neural Network, Pages 65-93, ROBERT HECHT-NIELSEN
III.4 - Hopfield Model and Optimization Problems, Pages 94-110, BEHROOZ KAMGAR-PARSI, BEHZAD KAMGAR-PARSI
III.5 - DAM, Regression Analysis, and Attentive Recognition, Pages 111-127, WOLFGANG PÖLZLEITNER
III.6 - INTELLIGENCE CODE MACHINE, Pages 128-146, VICTOR M. STERN
III.7 - Cycling Logarithmically Converging Networks That Flow Information to Behave (Perceive) and Learn, Pages 147-172, LEONARD UHR
III.8 - Computation and Learning in the Context of Neural Network Capacity, Pages 173-207, SANTOSH S. VENKATESH
IV. Introduction, Pages 211-213
IV.1 - Competitive and Cooperative Multimode Dynamics in Photorefractive Ring Circuits, Pages 214-252, DANA Z. ANDERSON, CLAUS BENKERT, DAVID D. CROUCH
IV.2 - HYBRID NEURAL NETWORKS AND ALGORITHMS, Pages 253-281, David Casasent
IV.3 - The Use of Fixed Holograms for Massively-Interconnected, Low-Power Neural Networks, Pages 282-309, HO-IN JEON, JOSEPH SHAMIR, R. BARRY JOHNSON, H. JOHN CAULFIELD, JASON KINSER, CHARLES HESTER, MARK TEMMEN
IV.4 - Electronic Circuits for Adaptive Synapses, Pages 310-334, Jim Mann, Jack Raffel
IV.5 - Neural Network Computations On A Fine Grain Array Processor, Pages 335-359, STEPHEN S. WILSON
Index, Pages 361-363