Name: Algorithmes Évolutionnaires Multi-Objectifs Pour les Réseaux Neuronaux de Pointe (en Francés)
SKU: 63921944
Price: 45.19 USD
Availability: InStock
Author: Abdulrazak Yahya Saleh
ISBN: 9786208557492

portada Algorithmes Évolutionnaires Multi-Objectifs Pour les Réseaux Neuronaux de Pointe (en Francés)

Algorithmes Évolutionnaires Multi-Objectifs Pour les Réseaux Neuronaux de Pointe (en Francés)

Formato

Libro Físico

Editorial

Editions Notre Savoir

Autor

Abdulrazak Yahya Saleh

Idioma

Francés

N° páginas

Encuadernación

Tapa Blanda

ISBN13

9786208557492

Algorithmes Évolutionnaires Multi-Objectifs Pour les Réseaux Neuronaux de Pointe (en Francés)

Abdulrazak Yahya Saleh (Autor) · Editions Notre Savoir · Tapa Blanda

Libro Nuevo Importado

Envío: 16 a 22 días háb.

$ 90.38$ 45.19

-50%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 50 unidades

$ 45.19

Llega entre el 21 Oct y el 04 Nov a Quito, Pichincha. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Algorithmes Évolutionnaires Multi-Objectifs Pour les Réseaux Neuronaux de Pointe (en Francés)"

Les réseaux de neurones à pointes (SNN) jouent un rôle essentiel dans les problèmes de classification. Bien qu'il existe de nombreux modèles de SNN, l'Evolving Spiking Neural Network (ESNN) est largement utilisé dans de nombreux travaux de recherche récents. Les algorithmes évolutionnaires, principalement l'évolution différentielle (DE), ont été utilisés pour améliorer l'algorithme ESNN. Cependant, de nombreux problèmes d'optimisation dans le monde réel comportent plusieurs objectifs contradictoires. Plutôt qu'une optimisation unique, l'optimisation multi-objectifs (MOO) peut être utilisée comme un ensemble de solutions optimales pour résoudre ces problèmes. Dans cet ouvrage, la recherche harmonique (HS) et l'approche mémétique ont été utilisées pour améliorer les performances de la MOO avec le réseau neuronal à pointes évolutives (ESNN). Par conséquent, l'évolution différentielle multiobjective à recherche d'harmonie mémétique avec réseau neuronal à pointes évolutif (MEHSMODE-ESNN) a été appliquée pour améliorer la structure et les taux de précision de l'ESNN. Des ensembles de données standard provenant de l'apprentissage automatique de l'UCI sont utilisés pour évaluer les performances de ce modèle hybride multiobjectif amélioré.