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

grovel

The Application of Semigroup Theory,, wenden wir uns in diesem und den folgenden Kapiteln speziellen Formen (künstlicher) neuronaler Netze zu. Wir beginnen mit der bekanntesten Form, den sogenannten . (multilayer perceptrons, MLPs), die eng mit den in Kapitel 3 betrachteten Netzen von Schwellenwertelementen verwandt sind. Die Untersch

极肥胖

The Application of Semigroup Theory,ngs 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

Spinous-Process

吝啬性

Semi-Markov and Markov Renewal Processes,sfrei) 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

使出神

Infirm

滋养

Stochastic Processes - Inference Theorye Kodierung der Lösungskandidaten eine entscheidende Rolle. Allgemeine Aussagen über günstige Kodierungen beschreiben wir in Abschnitt 11.1. Der so wichtige Begriff der Fitness, welcher einhergeht mit der Selektion, muss ebenfalls problemspezifisch gewählt werden. Wir erörtern die wichtigsten Berech