Titlebook: Computational Intelligence; Eine methodische Ein Rudolf Kruse,Christian Borgelt,Matthias Steinbrech Textbook 20111st edition Vieweg+Teubner

NERVE

书目名称Computational Intelligence影响因子(影响力)




书目名称Computational Intelligence影响因子(影响力)学科排名




书目名称Computational Intelligence网络公开度




书目名称Computational Intelligence网络公开度学科排名




书目名称Computational Intelligence被引频次




书目名称Computational Intelligence被引频次学科排名




书目名称Computational Intelligence年度引用




书目名称Computational Intelligence年度引用学科排名




书目名称Computational Intelligence读者反馈




书目名称Computational Intelligence读者反馈学科排名

BANAL

Künstliche neuronale NetzeTieren und Menschen nachempfunden sind. Sie bestehen aus einer großen Anzahl einfacher, parallel arbeitender Einheiten, den sogenannten .. Diese Neuronen senden sich Informationen in Form von Aktivierungssignalen über gerichtete Verbindungen zu.

Extricate

Schwellenwertelementeeuron genügend erregende Impulse, die nicht durch entsprechend starke hemmende Impulse ausgeglichen werden, so wird es aktiv und sendet ein Signal an andere Neuronen. Ein solches Modell wurde schon sehr früh von McCulloch u. Pitts [1943] genauer untersucht. Schwellenwertelemente nennt man daher auch

Kaleidoscope

磨碎

PANG

Radiale-Basisfunktionen-Netzengs ist die Zahl der Schichten stets drei; es gibt also nur genau eine versteckte Schicht. Weiter unterscheiden sich Radiale-Basisfunktionen-Netze von mehrschichtigen Perzeptren durch andere Netzeingabe- und Aktivierungsfunktionen, speziell in der versteckten Schicht. In ihr werden . verwendet, die

PANG

Selbstorganisierende Kartenls Radiale-Basisfunktionen-Netze ohne Ausgabeschicht oder, anders formuliert, die versteckte Schicht eines Radiale-Basisfunktionen-Netzes ist bereits die Ausgabeschicht einer selbstorganisierenden Karte. Diese Ausgabeschicht besitzt außerdem eine innere Struktur, da die Neuronen in einem Gitter ange

exclamation

Hopfield-Netzesfrei) ist. In diesem und dem folgenden Kapitel wenden wir uns dagegen sogenannten . zu, bei denen der zugrundeliegende Graph Kreise (Zyklen) hat. Wir beginnen mit einer der einfachsten Formen, den sogenannten . [Hopfield 1982, 1984], die ursprünglich als physikalische Modelle zur Beschreibung des M

insolence

Rückgekoppelte Netzees etwa keine versteckten Neuronen und die Gewichte der Verbindungen müssen symmetrisch sein. In diesem Kapitel betrachten wir dagegen rückgekoppelte Netze ohne Einschränkungen. Solche allgemeinen rückgekoppelten neuronalen Netze eignen sich sehr gut, um . darzustellen und (näherungsweise) numerisch

Abrupt