Merkzettel Warenkorb
  • Produktbild: Learning Systems
  • Produktbild: Learning Systems

Learning Systems

49,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Lieferung nach Hause

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

25.10.1995

Herausgeber

J. Mason + weitere

Verlag

Springer Berlin

Seitenzahl

119

Maße (L/B/H)

23,5/15,5/0,8 cm

Gewicht

219 g

Auflage

1st Edition.

Sprache

Englisch

ISBN

978-3-540-19996-0

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

25.10.1995

Herausgeber

Verlag

Springer Berlin

Seitenzahl

119

Maße (L/B/H)

23,5/15,5/0,8 cm

Gewicht

219 g

Auflage

1st Edition.

Sprache

Englisch

ISBN

978-3-540-19996-0

Herstelleradresse

Springer-Verlag GmbH
Tiergartenstr. 17
69121 Heidelberg
DE

Email: ProductSafety@springernature.com

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern
  • Produktbild: Learning Systems
  • Produktbild: Learning Systems
  • 1 Introduction to Learning Systems.- 1.1 Systems, Memory.- 1.2 Performance Index.- 1.2.1 Random Input.- 1.2.2 Deterministic Input.- 1.3 Learning Algorithms.- 1.4 Some Examples of Learning Systems.- 1.4.1 The Learning Linear Combiner.- 1.4.2 Neurons of Higher Order.- 1.4.3 The Learning Non-Linear Transformer.- 1.4.4 Linear and Non-Linear Learning Filters.- 1.4.5 Learning control systems.- 1.4.6 The Learning Multilayer Neural Network.- 1.4.7 Learning CMAC.- References.- 2 Deterministic Algorithms.- 2.1 Simple Projection Algorithms in Spaces With Different Norms (Structure, Convergence, Properties).- 2.1.1 Construction Of Kaczmarz Algorithm.- 2.1.2 Convergence.- 2.2 Modified Projection Algorithms With a High Rate of Convergence.- 2.2.1 Construction.- 2.2.2 Transient Mode.- 2.2.3 Properties Of The Estimates.- 2.2.4 “Bad” Measurements.- References.- 3 Deterministic and Stochastic Algorithms of Optimisation.- 3.1 Deterministic Methods for Unconstrained Minimisation.- 3.1.1 The Gradient Algorithm.- 3.1.2 Convergence.- 3.1.3 Newton’s Algorithm.- 3.1.4 Example Application.- 3.2 Stochastic Approximation and Recurrent Estimation.- 3.2.1 Random Input.- 3.2.2 Example System.- References.- 4 Stochastic Algorithms: The Least Squares Method in the Non-Recurrent and Recurrent Forms and the Gauss-Markov Theorem.- 4.1 The Least Squares Method in Recursive and Non-Recursive Forms (The White Noise Case).- 4.1.1 The Least Squares Method in Non-Recursive Form.- 4.1.2 A Priori Information.- 4.2 The Gauss-Markov Theorem.- 4.2.1 Optimal Estimates.- 4.2.2 Connection With the Maximum Likelihood Estimates [2].- 4.3 Example System.- References.- 5 Stochastic Algorithms.- 5.1 Algorithms With Forgetting Factor.- 5.2 The Least Squares Method by Correlated Noise in the Non-Recursive and Recursive Forms: Connection With Decorrelation Procedures.- 5.2.1 The Arbitrary Case.- 5.2.2 Special Case.- 5.3 Introduction to the Kaiman filter [1], [3].- References.- 6 Multilayer Neural Networks.- 6.1 Multilayer Neural Network as a Non-Linear Transformer. The Kolmogorov and Cybenko Theorems.- 6.1.1 Introduction.- 6.1.2 MNN Architecture.- 6.1.3 The Input-Output Mapping of a Multilayer Network of the First Order.- 6.1.4 Approximation.- 6.2 Learning Algorithms for Single Elements of Multilayer Neural Networks.- 6.2.1 Differentiable Activation Functions.- 6.2.2 Non-Differentiable Activation Functions.- References.- 7 Learning Algorithms for Neural Networks.- 7.1 The Back-Propagation Algorithm for MNN Learning.- 7.1.1 Main Equations.- 7.1.2 Fully Connected MNNs.- 7.1.3 The Transient Sensitivity Matrix D(i+1) for Fully Connected MNNs of the First Order.- 7.1.4 The Transient Sensitivity Matrix D(i+1) for Fully Connected MNNs of the Second Order.- 7.1.5 Non-Fully Connected MNNs.- 7.2 Autonomous Algorithms for Adjusting MNNs.- 7.2.1 Introduction.- 7.2.2 Neural Networks With a Single Output.- 7.2.3 Neural Network With Many Outputs.- References.- 8 Identification and Control of Dynamic Systems Using Multilayer Neural Networks.- 8.1 Identification of Dynamic Systems Using Multilayer Neural Networks.- 8.1.1. Linear Systems.- 8.1.2 Non-Linear Systems.- 8.1.3 The Structure of MNNs for Identification.- 8.2 Control of Dynamic Systems Using Multilayer Neural Networks.- 8.2.1 Linear Systems.- 8.3 Control of Non-Linear Dynamic Systems Using Multilayer Neural Networks.- 8.3.1 Example use of Neural Networks for MRAC.- References.- 9 The Cerebellar Model Articulation Controller (CMAC).- 9.1 Introduction to CMAC.- 9.1.1 Introduction.- 9.2 Data Storage and Learning Process in the CMAC.- 9.2.1 Introduction to the CMAC.- 9.2.2 The CMAC system.- 9.3 Albus’ Learning Algorithm.- 9.4 Modified Albus’ Algorithm.- 9.4.1 Modification.- 9.4.2 Special Features of the Modified Albus Algorithm.- 9.5 CMAC for Identification and Adaptive Control.- References.