KI-Beratung Beta
Vor Ort
Merkzettel Warenkorb
Produktbild: Neuronale Netze für Ingenieure
Gebraucht - 61%

Neuronale Netze für Ingenieure Arbeits- und Übungsbuch für regelungstechnische Anwendungen

Aus der Reihe Ausbildung und Studium
61% sparen

17,19 € 44,99 € *

inkl. gesetzl. MwSt., Versandkostenfrei

*ggü. gebundenem Ladenpreis bzw. UVP für Neuware.

Lieferung nach Hause

Beschreibung

Produktdetails

Zustand

Gut

Einband

Taschenbuch

Erscheinungsdatum

29.04.1998

Abbildungen

VIII, 146 Abbildun92 Abbildungen mit 92 Abbildungen

Verlag

Vieweg & Teubner

Seitenzahl

184

Maße (L/B/H)

21/14,8/1,1 cm

Gewicht

261 g

Auflage

1998

Sprache

Deutsch

EAN

2710004415417

Beschreibung

Produktdetails

Zustand

Gut

Einband

Taschenbuch

Erscheinungsdatum

29.04.1998

Abbildungen

VIII, 146 Abbildun92 Abbildungen mit 92 Abbildungen

Verlag

Vieweg & Teubner

Seitenzahl

184

Maße (L/B/H)

21/14,8/1,1 cm

Gewicht

261 g

Auflage

1998

Sprache

Deutsch

EAN

2710004415417

Herstelleradresse

Vieweg+Teubner Verlag
Abraham-Lincoln-Straße 46
65189 Wiesbaden
DE

Email: ProductSafety@springernature.com

Ein neues Kapitel für Ihre Bücher

Ein neues Kapitel für Ihre Bücher

Schenken Sie Ihren alten Schätzen ein zweites Leben und erhalten Sie dafür eine Thalia Geschenkkarte.

Jetzt verkaufen
Jetzt verkaufen

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)

Weitere Artikel finden Sie in
  • Produktbild: Neuronale Netze für Ingenieure
  • 1. Aufbau eines künstlichen Neurons.- 1.1 Grundmodell eines Neurons.- 1.2 Grundbegriffe der KNN.- 1.3 Das Lernen als Gewichtsänderung.- 1.4 Optimierungs- und Suchverfahren.- 1.5 Realisierung eines künstlichen Neurons.- 1.6 Das Lernen als Mitkopplung.- 2. Einteilung von künstlichen Neuronalen Netzen.- 2.1 Netzfunktionen und Anwendungen.- 2.2 Statische Kennlinien von Neuronen.- 2.3 Lernmechanismen.- 2.3.1 Einteilung.- 2.3.2 Fehlerkorrektur.- 2.3.3 Rückgekoppeltes Lernen.- 2.3.4 Wahrscheinlichkeitslernen.- 2.3.5 Konkurrenzlernen.- 2.3.6 Hebb’sche Lernregel.- 2.3.7 Nichtiteratives Lernen.- 2.4 Historischer Rückblick.- 2.5 Vor- und Nachteile von KNN.- 3. Grundtypen von künstlichen Neuronalen Netzen.- 3.1 Übersicht.- 3.2 Einzelschicht Perzeptron.- 3.3 Mehrschicht Perzeptron.- 3.4 Adaline / Madaline — Netze.- 3.5 Cognitron und Neocognitron.- 3.6 Comparator-Netz.- 3.7 Backpropagation.- 3.8 Counterpropagation.- 3.9 Querpropagation.- 3.10 Hopfield-Netz.- 3.11 Hamming-Netz.- 3.12 Kohonen-Netz.- 3.13 Carpenter / Grossberg-Netz.- 3.14 Cooper’s RCE-Netz.- 3.15 Kosko’s BAM.- 3.16 IAC-Netz.- 4. Regelungstechnische Anwendungen von KNN.- 4.1 Einführung.- 4.2 Identifikation.- 4.2.1 Einführung.- 4.2.2 Identifikation mit dem Hopfield-Netz.- 4.2.3 Identifikation mit dem RT-Neuron.- 4.2.4 Identifikation mit dem Backpropagation.- 4.3 Stabilitätsuntersuchung.- 4.3.1 Einführung.- 4.3.2 Stabilitätsanalyse mit Backpropagation.- 4.3.3 Beispiel: PD-Regler eines Roboterarmes.- 4.4 Regelung und Steuerung mit KNN.- 4.4.1 Grundtypen.- 4.4.2 Drehwinkelregelung eines Servomotors.- 4.4.3 Stabilisierung eines Pendels.- 4.4.4 Positionsregelung eines Manipulators.- 4.4.5 Steuerung von Fahrzeugbewegungen.- 4.5 Entwurf u. Realisierung eines Reglers mit KNN.- 4.5.1 Übersicht.- 4.5.2 Stabilitätsuntersuchung.- 4.5.3 Reglereinstellung.- 4.5.4 Konfigurierung des N-Reglers.- 4.5.5 Realisierung.- 5. Übungsaufgaben mit Lösunqen.- 5.1 Übungsaufgaben.- 5.2 Lösungen.- 6. Literaturverzeichnis.- Sachwortverzeichnis.