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: Cheng Lv. Jian, Yi. Zhang, Zhou. Jiliu سری: Automation and control engineering ISBN (شابک) : 9781439815366, 1439815364 ناشر: CRC Press سال نشر: 2010 تعداد صفحات: 257 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 9 مگابایت
کلمات کلیدی مربوط به کتاب آموزش زیرساخت شبکه های عصبی: الگوریتم های کامپیوتری شبکه های عصبی (علوم کامپیوتر).
در صورت تبدیل فایل کتاب Subspace Learning of Neural Networks 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 آموزش زیرساخت شبکه های عصبی 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.
مقدمه فصل 1. مقدمه1.1 مقدمه1.1.1 شبکههای عصبی خطی1.1.2
یادگیری زیرفضا1.2 الگوریتمهای یادگیری زیرفضا1.2.1 الگوریتمهای
یادگیری PCA1.2.2 الگوریتمهای یادگیری MCA1.2.3 الگوریتمهای
یادگیری MCA1.2.3 روش یادگیری ICA.1 روش3.1 روش یادگیری ICA. .3.3
روش DDT1.4 الگوریتمهای بلوک 1.5 مجموعه دادههای شبیهسازی و
نماد1.6 نتیجهگیری فصل 2. الگوریتمهای یادگیری PCA با
Constants Learning
O2. 1.1 Algorithms2.1.2 Convergence Issue2.2 مجموعه های ثابت
2.2.1 ویژگی های مجموعه های ثابت 2.2.2 شرایط برای مجموعه های
ثابت 2. /span>
چکیده: مقدمه فصل 1. Introduction1.1 Introduction1.1.1 شبکه های
عصبی خطی1.1.2 یادگیری زیرفضا1.2 الگوریتم های یادگیری
زیرفضا1.2.1 الگوریتم های یادگیری PCA1.2.2 الگوریتم های یادگیری
MCA1.2. الگوریتمهای یادگیری1.3 روشهای تحلیل همگرایی1.3.1 روش
SDT1.3.2 روش DCT1.3.3 روش DDT1.4 الگوریتمهای بلوک1.5 مجموعه
دادههای شبیهسازی و نماد1.6 نتیجهگیری فصل 2. PCA
ConclusionsHapter 2. PCA ConclusionsAlgorithm 1.1 الگوریتم ها
2.1.2 مسئله همگرایی 2.2 مجموعه های ثابت 2.2.1 ویژگی های مجموعه
های ثابت 2.2.2 شرایط برای مجموعه های ثابت 2
PrefaceChapter 1. Introduction1.1 Introduction1.1.1 Linear
Neural Networks1.1.2 Subspace Learning1.2 Subspace Learning
Algorithms1.2.1 PCA Learning Algorithms1.2.2 MCA Learning
Algorithms1.2.3 ICA Learning Algorithms1.3 Methods for
Convergence Analysis1.3.1 SDT Method1.3.2 DCT Method1.3.3 DDT
Method1.4 Block Algorithms1.5 Simulation Data Set and
Notation1.6 ConclusionsChapter 2. PCA Learning Algorithms with
Constants Learning
Rates2.1 Oja's PCA Learning Algorithms2.1.1 The Algorithms2.1.2
Convergence Issue2.2 Invariant Sets2.2.1 Properties of
Invariant Sets2.2.2 Conditions for Invariant Sets2.
Read
more...
Abstract: PrefaceChapter 1. Introduction1.1 Introduction1.1.1
Linear Neural Networks1.1.2 Subspace Learning1.2 Subspace
Learning Algorithms1.2.1 PCA Learning Algorithms1.2.2 MCA
Learning Algorithms1.2.3 ICA Learning Algorithms1.3 Methods for
Convergence Analysis1.3.1 SDT Method1.3.2 DCT Method1.3.3 DDT
Method1.4 Block Algorithms1.5 Simulation Data Set and
Notation1.6 ConclusionsChapter 2. PCA Learning Algorithms with
Constants Learning Rates2.1 Oja's PCA Learning Algorithms2.1.1
The Algorithms2.1.2 Convergence Issue2.2 Invariant Sets2.2.1
Properties of Invariant Sets2.2.2 Conditions for Invariant
Sets2
Content: Cover
Title
Copyright
Dedication
Preface
List of Figures
List of Tables
Contents
Chapter 1: Introduction
Chapter 2: PCA Learning Algorithms with Constants Learning Rates
Chapter 3: PCA Learning Algorithms with Adaptive Learning Rates
Chapter 4: GHA PCA Learning Algorithm
Chapter 5: MCA Learning Algorithms
Chapter 6: ICA Learning Algorithms
Chapter 7: Chaotic Behaviors Arising from Learning Algorithms
Chapter 8: Determination of the Number of Principal Directions in a Biologically Plausible PCA Model
Chapter 9: Multi-Block-Based MCA for Nonlinear Surface Fitting Chapter 10: A ICA Algorithm for Extracting Fetal ElectrocardiogramChapter 11: Rigid Medical Image Registration Using PCA Neural Network
Bibliography
Index