WYSYŁKA DZISIAJ !!!

CODZIENNIE W DNI ROBOCZE

WYSTARCZY DO GODZ. 13.00 wysłać do nas:

1) deklarację odbioru przesyłki "za pobraniem"
lub
2) skan przelewu
albo
3) wpłacić za pośrednictwem "Płacę z Allegro"


NEURONOWE MODELOWANIE PROCESÓW TECHNOLOGICZNYCH

MONOGRAFIA

Tadeusz Wieczorek

Stan książki: NOWA
Wydawnictwo: Politechniki Śląskiej
Stron: 304
Nakład: 150 egz.
Okładka: miękka
Format: B5

Opis:

Celem monografii jest przedstawienie możliwości praktycznego wykorzystania metod sztucznych sieci neuronowych w inżynierii. Ponieważ jednak nie można rozpatrywać sieci neuronowych bez uwzględnienia powiązania z innymi metodami inteligencji obliczeniowej, więc w pracy na temat modelowania neuronowego poświęcono osobny rozdział metodom inteligencji obliczeniowej aby pokazać ich możliwości synergicznego wykorzystania. Przedstawiono jedynie skrótowy przegląd tych metod, ponieważ skoncentrowano się na systemach hybrydowych, łączących sieci neuronowe i inne algorytmy inteligentnego modelowania.


Spis treści

Wstęp 9

1. Inteligencja obliczeniowa w procesach technologicznych 13
1.1. Tworzenie modelu procesu technologicznego 13
1.2. Podejmowanie decyzji technologicznych w warunkach niepewności 16
1.3. Definicja inteligencji obliczeniowej 20
1.4. Dwa podejścia do inteligencji obliczeniowej - symbolizm i koneksjonizm 21
1.5. Integracja zarządzania wiedzą i danymi 22

2. Sztuczne sieci neuronowe 26
2.1. Powstanie i rozwój sieci neuronowych 27
2.2. Obszary zastosowań SSN 28
2.3. Modele sztucznego neuronu 32
2.3.1. Model McCullocha-Pittsa 34
2.3.2. Perceptron 35
2.3.3. Neuron liniowy 37
2.3.4. Model neuronu Hopfielda 38
2.3.5. Model stochastyczny neuronu 39
2.3.6. Neuron radialny 40
2.3.7. Model neuronu pulsacyjnego 41
2.3.8. Inne modele neuronów 43
2.4. Topologie sztucznych sieci neuronowych 45
2.4.1. Jednowarstwowe perceptrony 49
2.4.2. Perceptrony wielowarstwowe 50
2.4.3. Sieci liniowe 52
2.4.4. Sieci radialne - RBF 53
2.4.5. Sieci Kohonena 56
2.4.6. Sieci samorozwijające się 58
2.4.7. Gaz neuronowy 59
2.4.8. Sieci warstwowe ze sprzężeniami zwrotnymi 60
2.4.9. Specjalne topologie 62
2.4.10. Sieci probabilistyczne 64
2.5. Główne zastosowania sieci neuronowych 65
2.5.1. Wprowadzenie 65
2.5.2. Sieci neuronowe jako uniwersalne aproksymatory 66
2.5.3. Sieci neuronowe jako klasyfikatory 73
2.5.4. Neuronowa analiza szeregów czasowych 80
2.6. Optymalizacja architektury jednokierunkowych warstwowych sieci
neuronowych 86
2.6.1. Generalizacja sieci 92
2.6.2. Wybór funkcji aktywacji 95
2.6.3. Liczba warstw ukrytych 96
2.6.4. Liczba neuronów ukrytych 97

3. Uczenie sztucznych sieci neuronowych 99
3.1. Podstawy uczenia 99
3.2. Paradygmaty uczenia 102
3.2.1. Uczenie nadzorowane 103
3.2.2. Uczenie bez nauczyciela 107
3.2.2.1. Reguła Hebba 107
3.2.2.2. Uczenie typu konkurencyjnego 108
3.2.3. Uczenie hirudina wymuszone 111
3.2.4. Podstawowy dylemat uczenia sieci neuronowych 114
3.3. Trening, walidacja i generalizacja 118
3.3.1. Miary zdolności generalizacyjnych SSN 119
3.3.2. Krzywe uczenia 124
3.4. Wiedza a uczenie sieci neuronowych 132
3.4.1. Uczenie z objaśnieniami 134
3.4.2. Uczenie ze wskazówkami 135
3.4.3. Inicjalizacja wag z wykorzystaniem wiedzy 136
3.4.4. Sieci neuronowe oparte na wiedzy 139
3.5. Douczanie sieci neuronowych 142

4. Hybrydowe systemy neuronowe 149
4.1. Systemy neuronowo-symboliczne 150
4.1.1. Drzewa decyzji 151
4.1.1.1. Algorytm CART 154
4.1.1.2. Algorytm C4.5 156
4.1.1.3. Ocena dokładności drzew decyzyjnych 157
4.1.2. Wydobywanie wiedzy z wytrenowanych sieci neuronowych 160
4.2. Systemy neuronowe-rozmyte 173
4.2.1. Zbiory rozmyte 174
4.2.2. Rozmyte sieci neuronowe 181
4.3. Systemy neuronowo-ewolucyjne 185
4.3.1. Algorytmy genetyczne i ewolucyjne 185
4.3.2. Systemy ewolucyjne a sieci neuronowe 191
4.4. Maszyny wektorów podpierających 194

5. Problemy praktyczne SSN 201
5.1. Gromadzenie i czyszczenie danych pochodzących z procesów
przemysłowych 201
5.1.1. Rozumienie danych 201
5.1.2. Komputerowe zbieranie danych przemysłowych 204
5.2. Wstępna obróbka danych uczących 208
5.2.1. Zmniejszenie poziomu niepewności danych wejściowych 210
5.2.2. Reprezentacja danych dla SSN 216
5.2.2.1. Skalowanie danych wejściowych i wyjściowych sieci 217
5.2.2.2. Kodowanie wartości wejściowych i wyjściowych 219
5.2.3. Statystyczna analiza danych 222
5.2.4. Wielkość zbioru uczącego 227
5.3. Zmiana wymiaru przestrzeni wejściowej 231
5.3.1. Ekstrakcja cech 233
5.3.2. Selekcja cech 236
5.4. Ewaluacja i poprawa jakości modelu neuronowego 241
5.4.1. Walidacja krzyżowa 243
5.4.2. Bootstrap 244
5.4.3. Bagging 245
5.4.4. Boosting 246
5.4.5. Bumping 247

6. Neuronowe modelowanie procesu wytwarzania stali w piecach łukowych. 248
6.1. Modelowanie procesu łukowego - stan zagadnienia w literaturze 248
6.2. Neuronowe sterowanie położeniem elektrod pieca łukowego 262
6.3. Modelowanie procesu wytwarzania stali w piecach łukowych 268

Podsumowanie 275
Bibliografia 278
Spis rysunków 297
Streszczenie 300


Contents

Introduction 9

1. Computational intelligence for technological processes 13
1.1. Designing a model of the technological process 13
1.2. Making decision under uncertainty 16
1.3. Definition of computational intelligence 20
1.4. Two approaches to the computational intelligence - symbolism and
connectionism 21
1.5. Managing knowledge and data 22

2. Artificial neural networks 26
2.1. History and development of ANNs 27
2.2. Applications of ANNs 28
2.3. Models of artificial neuron 32
2.3.1. McCulloch-Pitts neuron 34
2.3.2. The perceptron 35
2.3.3. Linear neuron 37
2.3.4. Hopfield's neuron 38
2.3.5. Stochastic neuron 39
2.3.6. RBF neuron 40
2.3.7. Spiking neuron 41
2.3.8. Additional model of neurons 43
2.4. Topologies of artificial neural networks 49
2.4.1. One-layer perceptrons 49
2.4.2. Multi-layer perceptrons 50
2.4.3. Linear networks 52
2.4.4. Radial Basis Function Networks 53
2.4.5. Kohonen's networks 56
2.4.6. Self-organizing networks 58
2.4.7. Neural gas 59
2.4.8. Layered recurrent networks 60
2.4.9. Special topologies 62
2.4.10. Probabilistic networks 63
2.5. Applications of neural networks 65
2.5.1. Introduction 65
2.5.2. Neural networks as universal aproximators 66
2.5.3. Neural networks as classifiers 73
2.5.4. Neural analysis of time series 80
2.6. Architecture optimization of feedforward neural networks 86
2.6.1. Network generalization 92
2.6.2. Activation function choice 95
2.6.3. Number of hidden layers 96
2.6.4. Number of hidden neurons 97

3. Learning of artificial neural networks 99
3.1. Learning fundamentals 99
3.2. Learning paradigms 102
3.2.1. Supervised learning 103
3.2.2. Unsupervised learning 107
3.2.2.1. Hebbian rule 107
3.2.2.2. Competitive learning 108
3.2.3. Reinforcement learning 111
3.2.4. Basic dilemma of ANNs learning 114
3.3. Training, validation, generalization 118
3.3.1. Measuring generalization abilities of the network 119
3.3.2. Learning curves 124
3.4. Knowledge versus learning of neural networks 132
3.4.1. Explanation-based learning 134
3.4.2. Learning with hints 135
3.4.3. Weights initialization using prior knowledge 136
3.4.4. Knowledge-based neural networks 139
3.5. Incremental learning of neural networks 142

4. Hybrid neural systems 149
4.1. Neuro-rule systems 150
4.1.1. Decision trees 151
4.1.1.1. Algorithm CART 154
4.1.1.2. Algorithm C4.5 156
4.1.1.3. Performance evaluation of neural networks 157
4.1.2. Knowledge extraction from trained neural networks 160
4.2. Neuro-fuzzy systems 173
4.2.1. Fuzzy sets 174
4.2.2. Fuzzy neural networks 181
4.3. Neuro-evolutionary systems 185
4.3.1. Genetic and evolutionary algorithms 185
4.3.2. Evolutionary systems versus neural networks 191
4.4. Support Vector Machines 194

5. Practical techniques for neural networks 201
5.1. Collecting and selection of industrial data 201
5.1.1. Understanding of data 201
5.1.2. Computer collecting of industrial data 204
5.2. Preprocessing of learning data 208
5.2.1. Increasing the level of uncertainty in data 210
5.2.2. Representing data for ANNs 216
5.2.2.1. Scaling input and output data for ANNs 217
5.2.2.2. Coding hirudina input and output data 219
5.2.3. Statistical data analysis 222
5.2.4. Size of the learning set 227
5.3. Changing the size of data space 231
5.3.1. Feature extraction 233
5.3.2. Feature selection 236
5.4. Evaluation and quality improving of a neural model 241
5.4.1. Crossvalidation 243
5.4.2. Bootstrapping 244
5.4.3. Bagging 245
5.4.4. Boosting 246
5.4.5. Bumping 247

6. Neural modeling of the electric arc steelmaking process 248
6.1. Modeling of the electric arc process- the state of the art 248
6.2. Neural electrodes control of the electric arc furnace 262
6.3. Modeling of the steelmaking process in electric arc furnaces 268

Summary 275
References 278
List of figures 297
Abstract 302


ZAPRASZAMY NA INNE NASZE AUKCJE !!!