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: Vassilios Petridis. Athanasios Kehagias (auth.)
سری: The Springer International Series in Engineering and Computer Science 466
ISBN (شابک) : 9781461375401, 9781461555551
ناشر: Springer US
سال نشر: 1998
تعداد صفحات: 310
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 11 مگابایت
کلمات کلیدی مربوط به کتاب شبکههای عصبی مدولار پیشبینیکننده: کاربردها در سریهای زمانی: فیزیک آماری، سیستم های دینامیکی و پیچیدگی، مهندسی برق، ساختارهای داده، رمز شناسی و نظریه اطلاعات، مهندسی مکانیک
در صورت تبدیل فایل کتاب Predictive Modular Neural Networks: Applications to Time Series 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 شبکههای عصبی مدولار پیشبینیکننده: کاربردها در سریهای زمانی 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.
موضوع این کتاب شبکه های عصبی مدولار پیش بینی و کاربرد آنها در مسائل سری زمانی: طبقه بندی، پیش بینی و شناسایی است. مخاطبان مورد نظر پژوهشگران و دانشجویان تحصیلات تکمیلی در رشته های شبکه های عصبی، علوم کامپیوتر، تشخیص الگوهای آماری، آمار، تئوری کنترل و اقتصاد سنجی هستند. زیست شناسان، فیزیولوژیست های عصبی و مهندسان پزشکی نیز ممکن است این کتاب را جالب بدانند. در دهه گذشته جامعه شبکه های عصبی علاقه شدیدی به روش های مدولار و مسائل سری زمانی نشان داده است. علاقه مشابهی برای سالها در زمینههای دیگر نیز ابراز شده است، به ویژه در آمار، تئوری کنترل، اقتصاد سنجی و غیره. همپوشانی قابلتوجهی (همیشه شناخته نشده) ایدهها و روشها بین این زمینهها وجود دارد. شبکههای عصبی مدولار نامهای بسیار دیگری نیز دارند، بهعنوان مثال مدلهای متعدد، مدلهای محلی و ترکیبی از متخصصان. ایده اصلی این است که به طور مستقل چندین \"زیر شبکه\" (ماژول) را توسعه دهیم که ممکن است وظایف مشابه یا مرتبط را انجام دهند و سپس از یک روش \"مناسب\" برای ترکیب خروجیهای زیرشبکهها استفاده کنیم. برخی از مزایای مورد انتظار این رویکرد (در مقایسه با استفاده از شبکههای \"مجموعه\" یا \"یکپارچه\") عبارتند از: عملکرد برتر، کاهش زمان توسعه و انعطافپذیری بیشتر. به عنوان مثال، اگر یک ماژول از شبکه حذف شود و با یک ماژول جدید جایگزین شود (که ممکن است همان کار را کارآمدتر انجام دهد)، نباید نیازی به آموزش مجدد شبکه انبوه باشد.
The subject of this book is predictive modular neural networks and their ap plication to time series problems: classification, prediction and identification. The intended audience is researchers and graduate students in the fields of neural networks, computer science, statistical pattern recognition, statistics, control theory and econometrics. Biologists, neurophysiologists and medical engineers may also find this book interesting. In the last decade the neural networks community has shown intense interest in both modular methods and time series problems. Similar interest has been expressed for many years in other fields as well, most notably in statistics, control theory, econometrics etc. There is a considerable overlap (not always recognized) of ideas and methods between these fields. Modular neural networks come by many other names, for instance multiple models, local models and mixtures of experts. The basic idea is to independently develop several "subnetworks" (modules), which may perform the same or re lated tasks, and then use an "appropriate" method for combining the outputs of the subnetworks. Some of the expected advantages of this approach (when compared with the use of "lumped" or "monolithic" networks) are: superior performance, reduced development time and greater flexibility. For instance, if a module is removed from the network and replaced by a new module (which may perform the same task more efficiently), it should not be necessary to retrain the aggregate network.
Front Matter....Pages i-xi
Introduction....Pages 1-7
Front Matter....Pages 9-9
Premonn Classification and Prediction....Pages 11-38
Generalizations of the Basic Premonn....Pages 39-57
Mathematical Analysis....Pages 59-80
System Identification by the Predictive Modular Approach....Pages 81-97
Front Matter....Pages 99-99
Implementation Issues....Pages 101-107
Classification of Visually Evoked Responses....Pages 109-122
Prediction of Short Term Electric Loads....Pages 123-133
Parameter Estimation for and Activated Sludge Process....Pages 135-145
Front Matter....Pages 147-147
Source Identification Algorithms....Pages 149-172
Convergence of Parallel Data Allocation....Pages 173-207
Convergence of Serial Data Allocation....Pages 209-245
Front Matter....Pages 247-247
Bibliographic Remarks....Pages 249-266
Epilogue....Pages 267-269
Back Matter....Pages 271-314