Ta strona wykorzystuje pliki cookies. Korzystając ze strony, zgadzasz się na ich użycie. OK Polityka Prywatności Zaakceptuj i zamknij X

Sieci neuronowe w przetwarzaniu strumieni danych

30-04-2014, 7:53
Aukcja w czasie sprawdzania była zakończona.
Cena kup teraz: 31 zł     
Użytkownik ksiazka_gliwice
numer aukcji: 4169487863
Miejscowość Gliwice
Wyświetleń: 4   
Koniec: 30-04-2014, 7:45

Dodatkowe informacje:
Stan: Nowy
Okładka: miękka
Rok wydania (xxxx): 2011
Kondycja: bez śladów używania

info Niektóre dane mogą być zasłonięte. Żeby je odsłonić przepisz token po prawej stronie. captcha

Sieci neuronowe w przetwarzaniu strumieni danych. Struktury sieci i algorytmy uczenia

Ewa Skubalska-Rafajłowicz (red.)


 
rok wydania: 2011
stron: 180
format: B5
oprawa: miękka
wydawnictwo: Politechnika Wrocławska
Od pewnego czasu obserwuje się wzrost zainteresowania problemami przetwarzania dużych strumieni danych. Monografia Sieci neuronowe przedstawia wyniki prac pięciu autorów dotyczące ich doświadczeń z zastosowaniem sieci neuronowych w przetwarzaniu tego typu danych.
Książka obejmuje następujące zagadnienia:
- sieci RBF w optymalizacji,
- wykrywanie małych zmian w układach chaotycznych,
- odporne algorytmy uczenia sieci RBF,
- uczenie ortogonalnych sieci neuronowych,
- sieci kontekstowe i strumienie danych.
We Wprowadzeniu, uzupełnionym bibliografią dotyczącą prezentowanych zagadnień, przedstawiono przegląd problemów przetwarzania dużych strumieni danych. Książka jest przeznaczona dla pracowników naukowych, doktorantów i studentów studiów magisterskich w dziedzinie nauk technicznych i ekonomicznych, zainteresowanych zastosowaniem sieci neuronowych.
  
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