Mercurius Gliwice Sp. z o.o.
ul. Prymasa S. Wyszyńskiego 14 b
44-100 Gliwice
pn - pt 10.00 - 18.00
sb 10.00 - 14.00

e-mail:
[zasłonięte]@ksiegarniagliwice.pl
tel. 32 [zasłonięte] 19
fax. 32 [zasłonięte] 22

Bank PKO BP
12 1020 [zasłonięte] 2[zasłonięte]4010002 [zasłonięte] 027277

Po wylicytowaniu przedmiotu koniecznie wypełnij formularz dostawy, jeśli chcesz zmienić adres dostawy - zrób to właśnie tutaj.

Do zakupionych książek dostaniesz paragon (na życzenie fakturę VAT), gwarantujące Ci rozpatrzenie reklamacji.

Kontaktując się z nami, zawsze używaj swojego nicka, pozwoli to nam szybciej zająć się Twoją sprawą.

Każdą przesyłkę starannie pakujemy w tekturowe pudełko albo kopertę ochronną, tak aby w stanie nienaruszonym dotarła do odbiorcy.

Za przesyłkę płacisz raz.
Oszczędź na kosztach wysyłki,
połącz zamówienia z:

ksiazka_z_pasja
ksiazka_gliwice
MercuriusGliwice

 
rok wydania: 2011
stron: 180
format: B5
oprawa: miękka
wydawnictwo: Politechnika Wrocławska

  
SPIS TREŚCI:

Spis najczęściej używanych oznaczeń i symboli 7

Rozdział 1. Wprowadzenie 9
Ewa Skubalska-Rafajłowicz

1.1. Przetwarzanie strumieni danych 9
1.2. Zawartość tematyczna książki 10
Bibliografia 13

Rozdział 2. Sieci RBF w optymalizacji 17
Marek Bazan

2.1. Wprowadzenie 17
2.2. Aproksymacja funkcji 18
2.2.1. Zagadnienie interpolacji a zagadnienie aproksymacji 18
2.2.2. Radialne funkcje bazowe 20
2.2.3. Przestrzeń funkcji, które można aproksymować 21
2.2.4. Ograniczenia błędu dla dużej liczby punktów danych 25
2.2.5. Ograniczenia błędu bez założeń o gęstości siatki 37
2.2.6. Wskaźniki gęstości danych 38
2.2.7. Regularyzacja Tichonowa 40
2.3. Optymalizacja - aproksymacja funkcji celu 51
2.3.1. Metoda regionu wiarygodności 52
2.3.2. Metoda SPELROA 59
2.4. Testy numeryczne 61
2.4.1. Jakość aproksymacji 61
2.4.2. Funkcja testowa 61
2.4.3. Optymalizacja magnesów nadprzewodzących 63
2.5. Podsumowanie 70
Bibliografia 71

Rozdział 3. Wykrywanie małych zmian w układach chaotycznych 73
Mateusz Tykierko

3.1. Wprowadzenie 73
3.2. Modelowanie układu chaotycznego 74
3.2.1. Sieć radialna - RBF 76
3.2.2. Terminy pomocnicze 77
3.2.3. Kryterium doboru modelu 78
3.2.4. Parametr regularyzacji 79
3.2.5. Radialne funkcje bazowe i ich szerokość 79
3.2.6. Zbiór uczący 80
3.2.7. Dobór liczby neuronów 82
3.2.8. Metoda selekcji postępowej 83
3.2.9. Przykład obliczeniowy - modelowanie układu Lorenza 88
3.2.10. Modelowanie z szumem 90
3.3. Wykrywanie zmian w dynamice układu chaotycznego 94
3.3.1. Przykład obliczeniowy - wykrywanie zmian w układzie Lorenza 97
3.4. Podsumowanie 100
Bibliografia 101

Rozdział 4. Odporne algorytmy uczenia sieci RBF 105
Andrzej Rusiecki

4.1. Wprowadzenie 105
4.1.1. Błędy w danych uczących a sieci neuronowe 105
4.1.2. Dane odstające od ogółu i błędy grube 106
4.1.3. Modele błędów w danych 107
4.2. Odporne algorytmy uczenia 108
4.2.1. Wprowadzenie do odpornych algorytmów uczenia 108
4.2.2. Odporność na zakłócenia a dobór funkcji błędu 108
4.3. Odporne algorytmy uczenia sieci sigmoidalnych 110
4.3.1. Odporny algorytm z kryterium LMLS 111
4.3.2. Odporny algorytm propagacji wstecznej RBP 111
4.3.3. Odporny algorytm propagacji wstecznej z wyżarzaniem ARBP 112
4.3.4. TAO - odporny algorytm propagacji wstecznej 112
4.3.5. Odporny algorytm LTS 113
4.4. Odporne algorytmy uczenia sieci o bazach radialnych 113
4.4.1. Zastosowanie algorytmu RBP do uczenia sieci RBF 113
4.4.2. Odporna sieć ARRBFN 114
4.5. Szybki odporny algorytm uczenia sieci o radialnych funkcjach bazowych 114
4.6. Przetwarzanie danych strumieniowych w zadaniu sterowania 117
4.6.1. Zadanie testowe 119
4.6.2. Wyniki symulacji 120
4.7. Podsumowanie 121
Bibliografia 122

Rozdział 5. Uczenie ortogonalnych sieci neuronowych 125
Krzysztof Halawa

5.1. Wprowadzenie 125
5.2. Struktura sieci 125
5.3. Metody uczenia 127
5.4. Szybkie obliczanie wartości wyjść FSNN 137
5.5. Podsumowanie 139
Bibliografia 140