Vor Ort
Merkzettel Warenkorb

Gutscheinbedingungen

**Gültig bis 06.07.2026 auf fremdsprachige Bücher online auf thalia.at, in der Thalia App ab einem Mindestbestellwert von 30€ und in allen Thalia Buchhandlungen in Österreich. In den Buchhandlungen nur gültig auf lagernde Ware. Einzelne Artikel können ausgeschlossen sein. Ausgenommen sind preisgebundene Artikel & eBooks. Pro Einkauf einmal einlösbar. Nur gültig gegen Vorlage oder im Onlineshop hinterlegter Bonuscard. Infos zur Einlösung in der Buchhandlung sind auf der Bonuscard-Vorteilspreisseite zu finden. Click & Collect nur bei Onlinevorabzahlung möglich. Keine Einlösung bei Scan & Go-Bezahlung. Keine Barauszahlung. Nicht kombinierbar mit anderen Aktionen und Gutscheinen. Gutschein wird auf max. 500€ Bestellwert angerechnet. Nicht gültig für Versandkosten und Services.
  • Produktbild: New Soft Computing Techniques for System Modeling, Pattern Classification and Image Processing
  • Produktbild: New Soft Computing Techniques for System Modeling, Pattern Classification and Image Processing
Band 143

New Soft Computing Techniques for System Modeling, Pattern Classification and Image Processing

Aus der Reihe Studies in Fuzziness and Soft Computing

151,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

04.12.2010

Verlag

Springer Berlin

Seitenzahl

374

Maße (L/B/H)

23,5/15,5/2,1 cm

Gewicht

593 g

Auflage

Softcover reprint of hardcover 1st ed. 2004

Sprache

Englisch

ISBN

978-3-642-05820-2

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

04.12.2010

Verlag

Springer Berlin

Seitenzahl

374

Maße (L/B/H)

23,5/15,5/2,1 cm

Gewicht

593 g

Auflage

Softcover reprint of hardcover 1st ed. 2004

Sprache

Englisch

ISBN

978-3-642-05820-2

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: GPSR Kontakt

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)
  • Produktbild: New Soft Computing Techniques for System Modeling, Pattern Classification and Image Processing
  • Produktbild: New Soft Computing Techniques for System Modeling, Pattern Classification and Image Processing
  • 1 Introduction.- I Probabilistic Neural Networks in a Non-stationary Environment.- 2 Kernel Functions for Construction of Probabilistic Neural Networks.- 2.1 Introduction.- 2.2 Application of the Parzen kernel.- 2.3 Application of the orthogonal series.- 2.4 Concluding remarks.- 3 Introduction to Probabilistic Neural Networks.- 3.1 Introduction.- 3.2 Probabilistic neural networks for density estimation.- 3.3 General regression neural networks in a stationary environment.- 3.4 Probabilistic neural networks for pattern classification in a stationary environment.- 3.5 Concluding remarks.- 4 General Learning Procedure in a Time-Varying Environment.- 4.1 Introduction.- 4.2 Problem description.- 4.3 Presentation of the general learning procedure.- 4.4 Convergence of general learning procedure.- 4.4.1 Local properties.- 4.4.2 Global properties.- 4.4.3 Speed of convergence.- 4.5 Quasi-stationary environment.- 4.6 Problem of prediction.- 4.7 Concluding remarks.- 5 Generalized Regression Neural Networks in a Time-Varying Environment.- 5.1 Introduction.- 5.2 Problem description and presentation of the GRNN.- 5.3 Convergence of the GRNN in a time-varying environment.- 5.3.1 The GRNN based on Parzen kernels.- 5.3.2 The GRNN based on the orthogonal series.- 5.4 Speed of convergence.- 5.5 Modelling of systems with multiplicative non-stationarity.- 5.6 Modelling of systems with additive non-stationarity.- 5.7 Modelling of systems with non-stationarity of the “scale change” and “movable argument” type.- 5.8 Modelling of systems with a diminishing non-stationarity.- 5.9 Concluding remarks.- 6 Probabilistic Neural Networks for Pattern Classification in a Time-Varying Environment.- 6.1 Introduction.- 6.2 Problem description and presentation of classification rules.- 6.3 Asymptotic optymality of classification rules.- 6.4 Speed of convergence of classification rules.- 6.5 Classification procedures based on the Parzen kernels.- 6.6 Classification procedures based on the orthogonal series.- 6.7 Non-stationarity of the “movable argument” type.- 6.8 Classification in the case of a quasi-stationary environment.- 6.9 Simulation results.- 6.9.1 PNN for estimation of a time-varying probability density.- 6.9.2 PNN for classification in a time-varying environment.- 6.10 Concluding remarks.- II Soft Computing Techniques for Image Compression.- 7 Vector Quantization for Image Compression.- 7.1 Introduction.- 7.2 Preprocessing.- 7.3 Problem description.- 7.4 VQ algorithm based on neural network.- 7.5 Concluding remarks.- 8 The DPCM Technique.- 8.1 Introduction.- 8.2 Scalar case.- 8.3 Vector case.- 8.4 Application of neural network.- 8.5 Concluding remarks.- 9 The PVQ Scheme.- 9.1 Introduction.- 9.2 Description of the PVQ scheme.- 9.3 Concluding remarks.- 10 Design of the Predictor.- 10.1 Introduction.- 10.2 Optimal vector linear predictor.- 10.3 Linear predictor design from empirical data.- 10.4 Predictor based on neural networks.- 10.5 Concluding remarks.- 11 Design of the Code-book.- 11.1 Introduction.- 11.2 Competitive algorithms.- 11.3 Preprocessing.- 11.4 Selection of initial code-book.- 11.5 Concluding remarks.- 12 Design of the PVQ Schemes.- 12.1 Introduction.- 12.2 Open-loop design.- 12.3 Closed-loop design.- 12.4 Modified closed-loop design.- 12.5 Neural PVQ design.- 12.6 Concluding remarks.- III Recursive Least Squares Methods for Neural Network Learning and their Systolic Implementations.- 13 A Family of the RLS Learning Algorithms.- 13.1 Introduction.- 13.2 Notation.- 13.3 Problem description.- 13.4 RLS learning algorithms.- 13.4.1 Single layer neural network.- 13.4.2 Multi-layer neural networks.- 13.5 QQ-RLS learning algorithms.- 13.5.1 Single layer.- 13.5.2 Multi-layer neural network.- 13.6 UD-RLS learning algorithms.- 13.6.1 Single layer.- 13.6.2 Multi-layer neural networks.- 13.7 Simulation results.- 13.7.1 Performance evaluation.- 13.8 Concluding remarks.- 14 Systolic Implementations of the RLS Learning Algorithms.- 14.1 Introduction.- 14.2 Systolic architecture for the recall phase.- 14.3 Systolic architectures for the ETB RLS learning algorithms.- 14.4 Systolic architectures for the RLS learning algorithms.- 14.5 Performance evaluation of systolic architectures.- 14.5.1 The recall phase.- 14.5.2 The learning phase: the ETB RLS algorithm.- 14.5.3 The learning phase: the RLS algorithm.- 14.6 Concluding remarks.- References.