Name: Multi-Objektive Evolutionäre Algorithmen für Neuronale Spitzennetze (en Alemán)
SKU: 63921945
Price: 46.21 USD
Availability: InStock
Author: Abdulrazak Yahya Saleh
ISBN: 9786208557515

portada Multi-Objektive Evolutionäre Algorithmen für Neuronale Spitzennetze (en Alemán)

Multi-Objektive Evolutionäre Algorithmen für Neuronale Spitzennetze (en Alemán)

Formato

Libro Físico

Editorial

Verlag Unser Wissen

Autor

Abdulrazak Yahya Saleh

Idioma

Alemán

N° páginas

Encuadernación

Tapa Blanda

ISBN13

9786208557515

Multi-Objektive Evolutionäre Algorithmen für Neuronale Spitzennetze (en Alemán)

Abdulrazak Yahya Saleh (Autor) · Verlag Unser Wissen · Tapa Blanda

Libro Nuevo Importado

Envío: 16 a 22 días háb.

$ 92.43$ 46.21

-50%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 50 unidades

$ 46.21

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

Agregar a lista de deseos

Reseña del libro "Multi-Objektive Evolutionäre Algorithmen für Neuronale Spitzennetze (en Alemán)"

Das Spiking Neural Network (SNN) spielt eine wichtige Rolle bei Klassifizierungsproblemen. Obwohl es viele SNN-Modelle gibt, wird das Evolving Spiking Neural Network (ESNN) in vielen aktuellen Forschungsarbeiten verwendet. Evolutionäre Algorithmen, vor allem die differentielle Evolution (DE), wurden zur Verbesserung des ESNN-Algorithmus eingesetzt. Viele reale Optimierungsprobleme beinhalten jedoch mehrere widersprüchliche Ziele. In diesem Buch wurden Harmony Search (HS) und der memetische Ansatz verwendet, um die Leistung von MOO mit ESNN zu verbessern. Folglich wurde Memetic Harmony Search Multi-Objective Differential Evolution with Evolving Spiking Neural Network (MEHSMODE-ESNN) angewendet, um die ESNN-Struktur und die Genauigkeitsraten zu verbessern. Standarddatensätze aus dem maschinellen Lernen der UCI werden für die Bewertung der Leistung dieses verbesserten hybriden Mehrzielmodells verwendet. Die experimentellen Ergebnisse haben gezeigt, dass das Memetic Harmony Search Multi-Objective Differential Evolution with Evolving Spiking Neural Network (MEHSMODE-ESNN) bessere Ergebnisse in Bezug auf Genauigkeit und Netzwerkstruktur liefert.