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: Mark Girolami BSc (Hons), BA, MSc, PhD, CEng, MIMechE, MIEE (auth.) سری: Perspectives in Neural Computing ISBN (شابک) : 9781852330668, 9781447108252 ناشر: Springer-Verlag London سال نشر: 1999 تعداد صفحات: 275 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 مگابایت
کلمات کلیدی مربوط به کتاب شبکه های عصبی خود سازماندهی: تجزیه و تحلیل مؤلفه های مستقل و جداسازی منبع کور: هوش مصنوعی (شامل رباتیک)، تشخیص الگو، محاسبات توسط دستگاههای انتزاعی
در صورت تبدیل فایل کتاب Self-Organising Neural Networks: Independent Component Analysis and Blind Source Separation 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 خود سازماندهی: تجزیه و تحلیل مؤلفه های مستقل و جداسازی منبع کور 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.
تصور ایده های تازه و توسعه تکنیک های جدید برای جداسازی منبع کور و تجزیه و تحلیل اجزای مستقل در سال های اخیر سریع بوده است. همچنین، از دیدگاه بسیاری از دانشمندان درگیر در این زمینه تحقیقاتی جذاب، مایه دلگرمی است که شاهد فهرست رو به رشد کاربردهای موفق این روش ها در طیف متنوعی از مسائل کاربردی روزمره باشیم. این رشد تا حدی به دلیل تعداد محققان جوان و مشتاق آیندهدار بوده است که تلاش خود را برای گسترش مجموعه دانش فعلی در این زمینه تحقیقاتی متعهد کردهاند. نویسنده این کتاب یکی از آنهاست. من اطمینان دارم که کتاب حاضر توسط دکتر مارک جیرولامی ابزاری سریع و مؤثر برای انتقال برخی از این ایدههای جدید به مخاطبان بینالمللی گستردهای ارائه خواهد کرد و به نوبه خود رشد دانش را بیشتر خواهد کرد. به نظر من این کتاب کمک مهمی به تئوری تجزیه و تحلیل مؤلفه های مستقل و جداسازی منبع کور می کند. این طیف وسیعی از روشها، تکنیکها و الگوریتمهای هیجانانگیز را برای محققان کاربردی و مهندسان متخصص، بهویژه از منظر شبکههای عصبی مصنوعی و نظریه اطلاعات باز میکند. جالب است که ببینیم ادبیات علمی در این زمینه با چه سرعتی رشد کرده است.
The conception of fresh ideas and the development of new techniques for Blind Source Separation and Independent Component Analysis have been rapid in recent years. It is also encouraging, from the perspective of the many scientists involved in this fascinating area of research, to witness the growing list of successful applications of these methods to a diverse range of practical everyday problems. This growth has been due, in part, to the number of promising young and enthusiastic researchers who have committed their efforts to expanding the current body of knowledge within this field of research. The author of this book is among one of their number. I trust that the present book by Dr. Mark Girolami will provide a rapid and effective means of communicating some of these new ideas to a wide international audience and that in turn this will expand further the growth of knowledge. In my opinion this book makes an important contribution to the theory of Independent Component Analysis and Blind Source Separation. This opens a range of exciting methods, techniques and algorithms for applied researchers and practitioner engineers, especially from the perspective of artificial neural networks and information theory. It has been interesting to see how rapidly the scientific literature in this area has grown.
Front Matter....Pages i-ix
Introduction....Pages 1-4
Background to Blind Source Separation....Pages 5-34
Fourth Order Cumulant Based Blind Source Separation....Pages 35-45
Self-Organising Neural Networks....Pages 47-75
The Non-Linear PCA Algorithm and Blind Source Separation....Pages 77-118
Non-Linear Feature Extraction and Blind Source Separation....Pages 119-163
Information Theoretic Non-Linear Feature Extraction and Blind Source Separation....Pages 165-200
Temporal Anti-Hebbian Learning....Pages 201-237
Applications....Pages 239-254
Back Matter....Pages 255-271