Get Computational Intelligence: Eine methodische Einführung in PDF

By Rudolf Kruse, Christian Borgelt, Christian Braune, Frank Klawonn, Christian Moewes, Matthias Steinbrecher

ISBN-10: 3834812757

ISBN-13: 9783834812759

Die Autoren behandeln umfassend zentrale Themen der Informatik von Künstlichen Neuronalen Netzen, über Evolutionäre Algorithmen bis hin zu Fuzzy-Systemen und Bayes-Netzen. Denn: Der Anwendungsbereich „Computational Intelligence“ erlangt durch viele erfolgreiche industrielle Produkte immer mehr an Bedeutung. Dieses Buch behandelt die zentralen Techniken dieses Gebiets und bettet sie in ein didaktisches Konzept ein, welches sich gezielt an Studierende und Lehrende der Informatik wendet. Für die vorliegende 2. Auflage des Buches wurden alle Themenbereiche überarbeitet, aktualisiert und zum Teil erweitert.

Zusatzmaterialen wie Aufgaben, Lösungen und Foliensätze für Vorlesungen sowie Beispiele aus der industriellen Anwendung betonen den praktischen Charakter des Buches. 

Show description

Read Online or Download Computational Intelligence: Eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze PDF

Similar german_3 books

Alexander Eisenkopf, Christian Opitz, Heike Proff's Strategisches Kompetenz-Management in der PDF

Der Tagungsband präsentiert die Beiträge des five. Symposiums zum Strategischen Kompetenz-Management mit folgende Themenbereiche: Strategisches Kompetenz-Management im Rahmen der Betriebswirtschaftslehre; Anwendungen des Strategischen Kompetenz-Managements in der betrieblichen Leistungserstellung; Neue Anwendungen des Strategischen Kompetenz-Managements; Aktuelle Herausforderungen des Strategischen Kompetenz-Managements

Extra info for Computational Intelligence: Eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze

Sample text

Definition und Beispiele 47 Um die Matrixschreibweise der Gewichte zu illustrieren, stellen wir die Verbindungsgewichte dieses Netzes durch zwei Matrizen dar. Wir erhalten W1 = −2 2 2 −2 und W2 = 2 2 , wobei die Matrix W1 für die Verbindungen von der Eingabeschicht zur versteckten Schicht und die Matrix W2 für die Verbindungen von der versteckten Schicht zur Ausgabeschicht steht. Als weiteres Beispiel betrachten wir das Fredkin-Gatter, das in der sogenannten konservativen Logik1 eine wichtige Rolle spielt [Fredkin u.

Das Neuron u3 ist das einzige Ausgabeneuron (d. h. Uout = {u3 }). Es liefert die Ausgabe y des neuronalen Netzes. In diesem Netz gibt es keine versteckten Neuronen (d. h. Uhidden = ∅). 1 Eine Schleife ist eine Kante von einem Knoten zu diesem Knoten selbst, also eine Kante e = ( v, v) mit einem Knoten v ∈ V. 36 Kapitel 4. Allgemeine neuronale Netze Es gibt insgesamt vier Verbindungen zwischen den drei Neuronen (d. h. C = {(u1 , u2 ), (u1, u3 ), (u2 , u3 ), (u3 , u1 )}), deren Gewichte durch die Zahlen an den Pfeilen angegeben sind, die die Verbindungen darstellen (also z.

Die Aktivierungen der übrigen Neuronen werden auf einen willkürlichen Anfangswert gesetzt, gewöhnlich 0. Außerdem wird die Ausgabefunktion auf die gesetzten Aktivierungen angewandt, so dass alle Neuronen Ausgaben liefern. In der Arbeitsphase werden die externen Eingaben abgeschaltet und die Aktivierungen und Ausgaben der Neuronen (gegebenenfalls mehrfach) neu berechnet, indem, wie oben beschrieben, Netzeingabe-, Aktivierungs- und Ausgabefunktion angewandt werden. Erhält ein Neuron keine Netzeingabe, weil es keine Vorgänger hat, so legen wir fest, dass es seine Aktivierung — und folglich auch seine Ausgabe — beibehält.

Download PDF sample

Computational Intelligence: Eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze by Rudolf Kruse, Christian Borgelt, Christian Braune, Frank Klawonn, Christian Moewes, Matthias Steinbrecher


by James
4.1

Rated 4.94 of 5 – based on 40 votes
 

Author: admin