Künstliches neuronales Netz - K., Dr. THIPPESWAMY
39,90 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 1-2 Wochen
payback
0 °P sammeln
  • Broschiertes Buch

Künstliche neuronale Netze sind komplexe Netzwerke, die die Art und Weise nachahmen, wie menschliche rationale Neuronen Daten verarbeiten. Sie werden häufig für Vorhersagen, Clustering, Klassifizierung und Assoziation verwendet. Die Trainingsalgorithmen, die die Netzwerkgewichte bestimmen, sind fast der wichtigste Faktor, der die Leistung des neuronalen Netzwerks beeinflusst. In letzter Zeit werden mehrere metaheuristische und evolutionäre Algorithmen zur Optimierung der Gewichte neuronaler Netze eingesetzt, um eine höhere neuronale Leistung zu erzielen.Zur Lösung komplexer Berechnungsprobleme…mehr

Andere Kunden interessierten sich auch für
Produktbeschreibung
Künstliche neuronale Netze sind komplexe Netzwerke, die die Art und Weise nachahmen, wie menschliche rationale Neuronen Daten verarbeiten. Sie werden häufig für Vorhersagen, Clustering, Klassifizierung und Assoziation verwendet. Die Trainingsalgorithmen, die die Netzwerkgewichte bestimmen, sind fast der wichtigste Faktor, der die Leistung des neuronalen Netzwerks beeinflusst. In letzter Zeit werden mehrere metaheuristische und evolutionäre Algorithmen zur Optimierung der Gewichte neuronaler Netze eingesetzt, um eine höhere neuronale Leistung zu erzielen.Zur Lösung komplexer Berechnungsprobleme wurden viele meta-heuristische Optimierungsalgorithmen entwickelt. Eine Meta-Heuristik ist ein übergeordnetes Verfahren, das dazu dient, eine Heuristik zu entdecken, zu erstellen oder auszuwählen, die eine hinreichend gute Lösung für ein Optimierungsproblem bieten kann, insbesondere bei unvollständigen oder unvollkommenen Informationen oder begrenzter Berechnungskapazität. Meta-Heuristiken können begrenzte Annahmen über das zu lösende Optimierungsproblem machen und sind daher für eine Vielzahl von Problemen verwendbar. Viele Meta-Heuristiken implementieren eine Form der stochastischen Optimierung, so dass die gefundene Lösung von der Menge der erzeugten Zufallsvariablen abhängig ist.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
Autorenporträt
El Dr. K. Thippeswamy, Profesor, Informática e Ingeniería, Universidad Tecnológica de Visvesvaraya, Mysuru, Karnataka, India, es autor de muchos títulos, incluidos 'Clasificación de datos no estructurados: Regla de decisión del vecino más cercano incierto' y 'Sistema de recuperación de información: Arquitectura orientada a servicios ( SOA)'.