Radial Basis Function Networks 2: New Advances in Design

شبکه عصبی تابع پایه شعاعی (RBF) در سال‌های اخیر به دلیل آموزش سریع و ویژگی‌های مطلوب آن در طبقه‌بندی و کاربردهای تقریب عملکردی محبوبیت پیدا کرده است. تحقیقات شبکه RBF بر روی الگوریتم های آموزشی پیشرفته و تغییرات در معماری پایه برای بهبود عملکرد شبکه متمرکز شده است. علاوه بر این، شبکه RBF ثابت کرده است که یک ابزار ارزشمند در طیف متنوعی از زمینه‌های کاربردی، به عنوان مثال، رباتیک، مهندسی زیست پزشکی و بخش مالی است. این دو جلد بررسی جامعی از آخرین تحولات در این زمینه ارائه می دهد. جلد 2 شامل طیف گسترده ای از کاربردها در آزمایشگاه و مطالعات موردی است که کاربرد صنعتی فعلی را توصیف می کند. هر دو جلد برای شاغلین در این زمینه، مهندسان، پژوهشگران، دانشجویان و مدیران حرفه ای بسیار مفید خواهد بود.

The Radial Basis Function (RBF) neural network has gained in popularity over recent years because of its rapid training and its desirable properties in classification and functional approximation applications. RBF network research has focused on enhanced training algorithms and variations on the basic architecture to improve the performance of the network. In addition, the RBF network is proving to be a valuable tool in a diverse range of application areas, for example, robotics, biomedical engineering, and the financial sector. The two volumes provide a comprehensive survey of the latest developments in this area. Volume 2 contains a wide range of applications in the laboratory and case studies describing current industrial use. Both volumes will prove extremely useful to practitioners in the field, engineers, reserachers, students and technically accomplished managers.