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: Richard F. Lyon (auth.), Tor Sverre Lande (eds.) سری: The Springer International Series in Engineering and Computer Science 447 ISBN (شابک) : 9780792381587, 9780585280011 ناشر: Springer US سال نشر: 1998 تعداد صفحات: 461 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب مهندسی سیستم های نورومورفیک: شبکه های عصبی در سیلیکون: مدارها و سیستم ها، مهندسی الکترونیک و کامپیوتر، پیچیدگی، علوم کامپیوتر، عمومی
در صورت تبدیل فایل کتاب Neuromorphic Systems Engineering: Neural Networks in Silicon 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 مهندسی سیستم های نورومورفیک: شبکه های عصبی در سیلیکون 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.
مهندسی سیستم های نورومورفیک: شبکه های عصبی در
سیلیکون بر سه جنبه مهم این زمینه تحقیقاتی جدید و هیجان
انگیز تاکید دارد. اصطلاح نورومورفیک بیانگر روابطی با
مدلهای محاسباتی موجود در سیستمهای عصبی بیولوژیکی است که به
عنوان الهامبخش برای ساختن سیستمهای الکترونیکی بزرگ در
سیلیکون استفاده میشود. با مهندسی کافی، این
سیستم های سیلیکونی برای بشر مفید ساخته شده اند.
مهندسی سیستمهای نورومورفیک: شبکههای عصبی در
سیلیکون تصویری از مهندسی نورومورفیک امروزی را در اختیار
خواننده قرار میدهد. این به پنج بخش سازماندهی شده است که
پیشرفت های پیشرفته در مهندسی نورومورفیک را از دیدگاه های
مختلف مشاهده می کند.
مهندسی سیستمهای نورومورفیک: شبکههای عصبی در
سیلیکون اولین مجموعه توصیفات سیستمهای نورومورفیک را با
پایههای محکم در سیلیکون ارائه میکند. موضوعات ارائه شده
عبارتند از:
Neuromorphic Systems Engineering: Neural Networks in
Silicon emphasizes three important aspects of this
exciting new research field. The term neuromorphic
expresses relations to computational models found in
biological neural systems, which are used as inspiration for
building large electronic systems in silicon. By
adequate engineering, these silicon systems are made
useful to mankind.
Neuromorphic Systems Engineering: Neural Networks in
Silicon provides the reader with a snapshot of
neuromorphic engineering today. It is organized into five
parts viewing state-of-the-art developments within
neuromorphic engineering from different perspectives.
Neuromorphic Systems Engineering: Neural Networks in
Silicon provides the first collection of neuromorphic
systems descriptions with firm foundations in silicon. Topics
presented include:
Front Matter....Pages i-xvii
Front Matter....Pages 1-1
Filter Cascades as Analogs of the Cochlea....Pages 3-18
An Analogue VLSI Model of Active Cochlea....Pages 19-47
A Low-Power Wide-Dynamic-Range Analog VLSI Cochlea....Pages 49-103
Speech Recognition Experiments with Silicon Auditory Models....Pages 105-126
Front Matter....Pages 127-127
The Retinomorphic Approach: Pixel-Parallel Adaptive Amplification, Filtering, and Quantization....Pages 129-150
Analog VLSI Excitatory Feedback Circuits for Attentional Shifts and Tracking....Pages 151-174
Floating-Gate Circuits for Adaptation of Saccadic Eye Movement Accuracy....Pages 175-189
Front Matter....Pages 191-191
Introduction to Neuromorphic Communication....Pages 193-200
A Pulsed Communication/Computation Framework for Analog VLSI Perceptive Systems....Pages 201-215
Asynchronous Communication of 2D Motion Information Using Winner-Takes-All Arbitration....Pages 217-227
Communicating Neuronal Ensembles between Neuromorphic Chips....Pages 229-259
Front Matter....Pages 261-261
Introduction: From Neurobiology to Silicon....Pages 263-266
A Low-Power Wide-Linear-Range Transconductance Amplifier....Pages 267-313
Floating-Gate MOS Synapse Transistors....Pages 315-337
Neuromorphic Synapses for Artificial Dendrites....Pages 339-365
Winner-Take-All Networks with Lateral Excitation....Pages 367-377
Front Matter....Pages 379-379
Neuromorphic Learning VLSI Systems: A Survey....Pages 381-408
Analog VLSI Stochastic Perturbative Learning Architectures....Pages 409-435
Winner-Takes-All Associative Memory: A Hamming Distance Vector Quantizer....Pages 437-456
Back Matter....Pages 457-462