Neuronale Netze und Fuzzy-Systeme: Grundlagen des Konnektionismus, Neuronaler Fuzzy-Systeme und der Kopplung mit wissensbasierten Meth by Detlef D. NauckNeuronale Netze und Fuzzy-Systeme: Grundlagen des Konnektionismus, Neuronaler Fuzzy-Systeme und der Kopplung mit wissensbasierten Meth by Detlef D. Nauck

Neuronale Netze und Fuzzy-Systeme: Grundlagen des Konnektionismus, Neuronaler Fuzzy-Systeme und der…

byDetlef D. Nauck

Paperback | January 1, 1994 | German

Pricing and Purchase Info

$89.48 online 
$90.95 list price
Earn 447 plum® points

Prices and offers may vary in store

Quantity:

In stock online

Ships free on orders over $25

Not available in stores

Title:Neuronale Netze und Fuzzy-Systeme: Grundlagen des Konnektionismus, Neuronaler Fuzzy-Systeme und der…Format:PaperbackPublished:January 1, 1994Publisher:Vieweg+Teubner VerlagLanguage:German

The following ISBNs are associated with this title:

ISBN - 10:3528052651

ISBN - 13:9783528052652

Look for similar items by category:

Reviews

Table of Contents

I Grundlagen Neuronaler Netze.- 1 Historische und Biologische Aspekte.- 2 Ein generisches Modell für Neuronale Netze.- 2.1 Die Struktur Neuronaler Netze.- 2.2 Die Arbeitsweise Neuronaler Netze.- 2.3 Strukturveränderung - Lernen.- 2.4 Lernparadigmen.- II Architekturen Neuronaler Netze.- 3 Perceptrons.- 3.1 Das formale Modell des Perceptrons.- 3.2 Lineare Separabilität.- 3.3 Der Lernalgorithmus des Perceptrons.- 4 Einfache lineare Modelle.- 4.1 Das formale Modell Linearer Neuronaler Netze.- 4.2 Das ADALINE und die Delta-Regel.- 4.3 Matrixspeicher und die Hebbsche Lernregel.- 5 Multilayer-Perceptrons.- 5.1 Das formale Modell des Multilayer-Perceptrons.- 5.2 Backpropagation - Die verallgemeinerte Delta-Regel.- 5.3 Anwendung des Backpropagation-Algorithmus.- 5.4 Linear nicht-separable Lernaufgaben.- 5.5 Multilayer-Perceptrons als universelle Approximatoren.- 5.6 Anwendungen.- 6 Wettbewerbslernen.- 7 Selbstorganisierende Karten.- 7.1 Das formale Modell.- 7.2 Anwendungen selbstorganisierender Karten.- 7.3 Counterpropagation.- 8 Hopfield-Netze.- 8.1 Das formale Modell des Hopfield-Netzes.- 8.2 Die Energiefunktion eines Hopfield-Netzes.- 8.3 Das Hopfield-Netz als autoassoziativer Speicher.- 8.4 Die Lösung von Optimierungsproblemen mit Hopfield-Netzen.- 8.5 Das kontinuierliche Hopfield-Modell.- 9 Simulated Annealing und Boltzmann-Maschinen.- 9.1 Simulated Annealing.- 9.2 Boltzmann-Maschinen.- 10 Neuronale Regler.- III Konnektionistische Expertensysteme.- 11 Grundlagen der Expertensysteme.- 12 Wissensrepräsentation in Neuronalen Netzen.- 12.1 Der Wissensbegriff in der KI-Forschung.- 12.2 Wissensrepräsentation.- 12.3 Kognitionswissenschaftliche Aspekte der Wissensrepräsentation.- 12.4 Wissensverarbeitung.- 12.5 Konnektionistische Wissensrepräsentation und Wissensverarbeitung.- 13 Modellierung Konnektionistischer Expertensysteme.- 13.1 Konzeptionelle Überlegungen.- 13.2 Regelfolgende Modelle.- 13.3 Regelbeherrschte Modelle.- 14 Preprocessing.- 14.1 Transformationen und Merkmalsausprägung.- 14.2 Erlernen der Transformationen.- IV Neuronale Fuzzy-Systeme.- 15 Modellierung Neuronaler Fuzzy-Systeme.- 15.1 Kognitive Modellierung von Expertenverhalten.- 15.2 Fuzzy-Regler.- 15.3 Kombinationen Neuronaler Netze und Fuzzy-Regler.- 16 Kooperative Neuronale Fuzzy-Regler.- 16.1 Adaptive Fuzzy-Assoziativspeicher.- 16.2 Linguistische Interpretation selbstorganisierender Karten.- 16.3 Erlernen von Fuzzy-Mengen.- 17 Hybride Neuronale Fuzzy-Regler.- 17.1 Das ARIC-Modell.- 17.2 Das GARIC-Modell.- 17.3 Weitere Modelle.- 18 Das NEFCON-Modell.- 18.1 Anforderungen an das Modell.- 18.2 Die Architektur.- 18.3 Die Arbeitsweise.- 18.4 Fuzzy-Fehler-Propagation - Der Lernalgorithmus.- 18.5 Erlernen einer Regelbasis.- 18.6 Beurteilung des NEFCON-Ansatzes.- 18.7 NEFCON-I - Eine Implementierung.- 19 Neuronale Netze und Fuzzy-Prolog.- 19.1 Neuronale Netze und Logik.- 19.2 Fuzzy-Logik.- 19.3 Neuronale Netze und Fuzzy-logische Programme.- 19.4 Der Lernalgorithmus.