ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Pattern recognition by self-organizing neural networks

دانلود کتاب شناخت الگوی توسط شبکه های عصبی خود سازماندهی شده است

Pattern recognition by self-organizing neural networks

مشخصات کتاب

Pattern recognition by self-organizing neural networks

ویرایش:  
نویسندگان: ,   
سری:  
ISBN (شابک) : 0262031760, 9780262031769 
ناشر: MIT Press 
سال نشر: 1991 
تعداد صفحات: 0 
زبان: English  
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 مگابایت 

قیمت کتاب (تومان) : 47,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 17


در صورت تبدیل فایل کتاب Pattern recognition by self-organizing 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 شناخت الگوی توسط شبکه های عصبی خود سازماندهی شده است 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.


توضیحاتی در مورد کتاب شناخت الگوی توسط شبکه های عصبی خود سازماندهی شده است

تشخیص الگو توسط شبکه‌های عصبی خودسازمان‌دهنده جدیدترین پیشرفت‌ها را در حوزه‌ای از تحقیقات نشان می‌دهد که در زمینه‌های علوم شناختی، علوم اعصاب، هوش مصنوعی و به طور کلی شبکه‌های عصبی اهمیت حیاتی پیدا می‌کنند. این 19 مقاله به پیشرفت‌هایی در یادگیری رقابتی و نقشه‌های محاسباتی، نظریه تشدید تطبیقی، و معماری‌های تخصصی و ارتباطات بیولوژیکی می‌پردازند. مقالات بررسی مقدماتی چارچوبی برای درک بسیاری از مدل‌های دخیل در رویکردهای مختلف برای مطالعه شبکه‌های عصبی ارائه می‌دهند. در قسمت 2 مقالاتی که پایه و اساس مدل‌های یادگیری رقابتی و نقشه‌برداری محاسباتی را تشکیل می‌دهند، و مقالات اخیر کوهونن، که آنها را برای مشکلات در تشخیص گفتار به کار می‌برد و توسط Hecht-Nielsen، آنها را برای مشکلات در طراحی جداول جستجوی تطبیقی ​​به کار می‌برد، دنبال می‌شوند. . مقالات بخش 3 بر شبکه‌های تئوری تشدید تطبیقی ​​(ART) تمرکز دارند، سیستم‌های تشخیص الگوی خودسازماندهی که سیگنال‌های بازخورد الگوی بالا به پایین، یادگیری پایدار آن‌ها را در پاسخ به دنباله‌های دلخواه الگوهای ورودی تضمین می‌کنند. در بخش 4، مقاله‌ها تعبیه ماژول‌های ART را در معماری‌های بزرگ‌تر توصیف می‌کنند و شواهد تجربی از فیزیولوژی عصبی، پتانسیل‌های مرتبط با رویداد، و روان‌شناسی ارائه می‌دهند که از پیش‌بینی وجود مکانیسم‌های ART در مغز پشتیبانی می‌کنند. گیل آ. کارپنتر، استاد ریاضیات، شناختی و عصبی است. سیستم‌ها در دانشگاه بوستون، جایی که استفان گروسبرگ پروفسور وانگ در سیستم‌های شناختی و عصبی و مدیر مرکز سیستم‌های تطبیقی ​​است. آنها با هم برنامه سیستم های شناختی و عصبی دانشگاه را هدایت می کنند. مشارکت کنندگان: J.-P. ضیافت، G. A. Carpenter، S. Grossberg، R. Hecht-Nielsen، T. Kohonen، B. Kosko، T. W. Ryan، N. A. Schmajuk، W. Singer، D. Stork، C. von der Malsburg، C. L. Winter.


توضیحاتی درمورد کتاب به خارجی

Pattern Recognition by Self-Organizing Neural Networks presents the most recent advances in an area of research that is becoming vitally important in the fields of cognitive science, neuroscience, artificial intelligence, and neural networks in general. The 19 articles take up developments in competitive learning and computational maps, adaptive resonance theory, and specialized architectures and biological connections.Introductory survey articles provide a framework for understanding the many models involved in various approaches to studying neural networks. These are followed in Part 2 by articles that form the foundation for models of competitive learning and computational mapping, and recent articles by Kohonen, applying them to problems in speech recognition, and by Hecht-Nielsen, applying them to problems in designing adaptive lookup tables. Articles in Part 3 focus on adaptive resonance theory (ART) networks, selforganizing pattern recognition systems whose top-down template feedback signals guarantee their stable learning in response to arbitrary sequences of input patterns. In Part 4, articles describe embedding ART modules into larger architectures and provide experimental evidence from neurophysiology, event-related potentials, and psychology that support the prediction that ART mechanisms exist in the brain.Gail A. Carpenter is Professor of Mathematics and Cognitive and Neural Systems at Boston University, where Stephen Grossberg is Wang Professor of Cognitive and Neural Systems and Director of the Center for Adaptive Systems. Together they direct the university's Cognitive and Neural Systems Program.Contributors: J.-P. Banquet, G. A. Carpenter, S. Grossberg, R. Hecht-Nielsen, T. Kohonen, B. Kosko, T. W. Ryan, N. A. Schmajuk, W. Singer, D. Stork, C. von der Malsburg, C. L. Winter.





نظرات کاربران