دانلود کتاب Recurrent Neural Networks for Prediction: Learning Algorithms, Architectures and Stability (به فارسی: شبکه‌های عصبی مکرر برای پیش‌بینی: الگوریتم‌های یادگیری، معماری و پایداری) نوشته شده توسط «Danilo P. Mandic – Jonathon A. Chambers(auth.) – Simon Haykin(eds.)»
اطلاعات کتاب شبکه‌های عصبی مکرر برای پیش‌بینی: الگوریتم‌های یادگیری، معماری و پایداری
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: Wiley
نویسنده: Danilo P. Mandic – Jonathon A. Chambers(auth.) – Simon Haykin(eds.)
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2001
تعداد صفحه: 297
حجم فایل: 5.09 مگابایت
کد کتاب: 0471495174 , 9780471495178
توضیحات کتاب شبکه‌های عصبی مکرر برای پیش‌بینی: الگوریتم‌های یادگیری، معماری و پایداری
فناوری‌های جدید در مهندسی، فیزیک و زیست‌پزشکی نیازمند روش‌های پیچیده‌تر پردازش سیگنال دیجیتال هستند. با ارائه آخرین کار تحقیقاتی، نویسندگان نشان می‌دهند که چگونه شبکه‌های عصبی بازگشتی (RNN) در زمان واقعی می‌توانند برای گسترش دامنه تکنیک‌های پردازش سیگنال سنتی و کمک به مبارزه با مشکل پیش‌بینی پیاده‌سازی شوند. در این متن، شبکه‌های عصبی به‌عنوان فیلترهای تطبیقی غیرخطی به‌هم پیوسته در نظر گرفته می‌شوند.
روابط بین RNN و مدل‌ها و فیلترهای غیرخطی مختلف را تجزیه و تحلیل می‌کند و معماری‌های مکانی-زمانی را همراه با مفاهیم مدولار بودن و تودرتو معرفی می‌کند
؟ ثبات و آرامش را در RNN ها بررسی می کند
؟ الگوریتم‌های یادگیری آنلاین را برای فیلترهای تطبیقی غیرخطی ارائه می‌کند و پارادایم‌های جدیدی را معرفی می‌کند که از مفاهیم خطاهای پیشینی و پسینی، سازگاری با استفاده مجدد از داده‌ها و عادی‌سازی بهره‌برداری می‌کنند
؟ همگرایی و پایداری الگوریتم های یادگیری آنلاین را بر اساس تکنیک های بهینه سازی مانند نگاشت انقباض و تکرار نقطه ثابت مطالعه می کند
؟ استراتژی هایی را برای بهره برداری از روابط ذاتی بین پارامترها در RNN ها توضیح می دهد
؟ موضوعات عملی مانند پیش بینی پذیری و تشخیص غیرخطی را مورد بحث قرار می دهد و شامل چندین کاربرد عملی در زمینه هایی مانند مدل سازی و پیش بینی آلاینده های هوا، کشف جاذبه و آشوب، پردازش سیگنال ECG، و پردازش گفتار می شود
شبکه های عصبی مکرر برای پیش بینی ارائه می دهد. بینش به الگوریتم های یادگیری، معماری ها و پایداری شبکه های عصبی مکرر و در نتیجه جذابیت آنی خواهد داشت. این پیش زمینه گسترده ای را برای محققان، دانشگاهیان و فارغ التحصیلان فراهم می کند که آنها را قادر می سازد از چنین شبکه هایی در برنامه های کاربردی جدید استفاده کنند.
از وب سایت فناوری ارتباطات ما دیدن کنید!
http://www.wiley.co.uk/commstech/
از صفحه وب ما دیدن کنید!
http://www.wiley.co.uk/Content:
مقدمه فصل 1 (صفحات 1-8):
فصل 2 مبانی (صفحات 9-29):
فصل 3 معماری شبکه برای پیش بینی (صفحات 31-46):
فصل 4 توابع فعال سازی مورد استفاده در شبکه های عصبی (صفحه های 47-68):
فصل 5 معماری شبکه های عصبی تکراری (صفحه های 69-89):
فصل 6 شبکه های عصبی به عنوان فیلترهای تطبیقی غیرخطی (صفحه های 91-114):
مسائل پایداری فصل 7 در معماری های RNN (صفحه های 115-133):
داده های فصل 8؟ استفاده مجدد از الگوریتم های یادگیری تطبیقی (صفحه های 135-148):
فصل 9 دسته ای از الگوریتم های عادی شده برای آموزش آنلاین شبکه های عصبی مکرر (صفحه های 149-160):
فصل 10 همگرایی الگوریتم های یادگیری آنلاین در شبکه های عصبی (صفحات 161-169):
فصل 11 برخی از ملاحظات عملی پیش بینی و الگوریتم‌های یادگیری برای سیگنال‌های مختلف (صفحه‌های 171-198):
فصل 12 بهره‌برداری از روابط ذاتی بین پارامترها در شبکه‌های عصبی مکرر (صفحات 199-219):
? Analyses the relationships between RNNs and various nonlinear models and filters, and introduces spatio-temporal architectures together with the concepts of modularity and nesting
? Examines stability and relaxation within RNNs
? Presents on-line learning algorithms for nonlinear adaptive filters and introduces new paradigms which exploit the concepts of a priori and a posteriori errors, data-reusing adaptation, and normalisation
? Studies convergence and stability of on-line learning algorithms based upon optimisation techniques such as contraction mapping and fixed point iteration
? Describes strategies for the exploitation of inherent relationships between parameters in RNNs
? Discusses practical issues such as predictability and nonlinearity detecting and includes several practical applications in areas such as air pollutant modelling and prediction, attractor discovery and chaos, ECG signal processing, and speech processing
Recurrent Neural Networks for Prediction offers a new insight into the learning algorithms, architectures and stability of recurrent neural networks and, consequently, will have instant appeal. It provides an extensive background for researchers, academics and postgraduates enabling them to apply such networks in new applications.
VISIT OUR COMMUNICATIONS TECHNOLOGY WEBSITE!
http://www.wiley.co.uk/commstech/
VISIT OUR WEB PAGE!
http://www.wiley.co.uk/Content:
Chapter 1 Introduction (pages 1–8):
Chapter 2 Fundamentals (pages 9–29):
Chapter 3 Network Architectures for Prediction (pages 31–46):
Chapter 4 Activation Functions Used in Neural Networks (pages 47–68):
Chapter 5 Recurrent Neural Networks Architectures (pages 69–89):
Chapter 6 Neural Networks as Nonlinear Adaptive Filters (pages 91–114):
Chapter 7 Stability Issues in RNN Architectures (pages 115–133):
Chapter 8 Data?Reusing Adaptive Learning Algorithms (pages 135–148):
Chapter 9 A Class of Normalised Algorithms for Online Training of Recurrent Neural Networks (pages 149–160):
Chapter 10 Convergence of Online Learning Algorithms in Neural Networks (pages 161–169):
Chapter 11 Some Practical Considerations of Predictability and Learning Algorithms for Various Signals (pages 171–198):
Chapter 12 Exploiting Inherent Relationships Between Parameters in Recurrent Neural Networks (pages 199–219):
دانلود کتاب «شبکه‌های عصبی مکرر برای پیش‌بینی: الگوریتم‌های یادگیری، معماری و پایداری»
