Основы теории обучающихся систем. - купить книгу в интернет-магазине CentrMag по лучшим ценам! (00-01120528)

Описание Отзывы

Развернуть ▼

Репринтное издание
Проблема создания обучающихся систем, т. е. систем, способных с течением времени улучшать свою работу, является одной из центральных проблем кибернетики.
В книге излагается общая теория и применение обучающихся систем. Обсуждаются понятия цели обучения. Рассматриваются простые и сложные цели обучения, а также возможные виды обучения, которые обеспечивают достижение цели обучения. Большое внимание уделено оптимальным алгоритмам. Алгоритмы обучения используются для построения различных обучающихся систем: систем опознавания или обнаружения, систем фильтрации, систем идентификации. а также систем, обучающихся принятию решений. Приводятся примеры конкретных обучающихся систем.
Книга рассчитана на научных и инженерно-технических работников в области автоматики и технической кибернетики, а также на студентов и аспирантов, специализирующихся в указанной области.

Содержание
Предисловие
Глава I. Цель обучения
§1.1. Введение
§ 1.2. Понятие цели обучения
§ 1.3. Сложные цели обучения
§ 1.4. Ограничения
§ 1.5. Виды обучения
§ 1.6. Обсуждение
§ 1.7. Заключение
Глава II. Алгоритмы обучения
§ 2.1. Введение
§ 2.2. Алгоритмический подход
§ 2.3. Алгоритмы обучения
§ 2.4. О сходимости алгоритмов
§ 2.5. Критерий сходимости алгоритмов
§ 2.6. Модифицированные алгоритмы
§ 2.7. Общие алгоритмы обучения
§ 2.8. Частные случаи
§ 2.9. Алгоритмы обучения при ограничениях
§ 2.10. Частные случаи
Глава III. Алгоритмы оптимального обучения
§ 3.1. Введение
§ 3.2. Показатели качества обучения
§ 3.3. Обобщенные показатели качества обучения
§ 3.4. Дискретные алгоритмы квазиоптимального обучения
§ 3.5. Линейные дискретные алгоритмы оптимального обучения I
§ 3.6. Линейные дискретные алгоритмы оптимального обучения II
§ 3.7. Обсуждение
§ 3.8. Простейший линейный дискретный алгоритм оптимального обучения
§ 3.9. Еще о дискретном линейном алгоритме оптимального обучения
§ 3.10. Непрерывные и гибридные алгоритмы оптимального обучения
§ 3.11. Частные случаи
§ 3.12. Еще о непрерывных алгоритмах оптимального обучения
§ 3.13. Предельный случай
§ 3.14. Обсуждение
§ 3.15. Алгоритмы обучения с повторением
§ 3.16. Заключение
Глава IV. Элементы теории статистических решений
§ 4.1. Введение
§ 4.2. Средний риск
§ 4.3. Условия минимума среднего риска
§ 4.4. Двуальтернативный случай I
§ 4.5. Классический байесов подход II
§ 4.6. Правило Зигерта - Котельникова
§ 4.7. Правило максимума апостериорной вероятности
§ 4.8. Правило взвешенной комбинации
§ 4.9. Правило Неймана - Пирсона
§ 4.10. Правило минимакса
§ 4.11. Правило общего вида
§ 4.13. Заключение
Глава V. Обучающиеся системы опознавания
§ 5.1. Введение
§ 5.2. Цель обучения
§ 5.3. Двуальтернативный случай
§ 5.4. Традиционный адаптивный подход
§ 5.5. Адаптивный байесов подход I
§ 5.6. Адаптивный байесов подход II
§ 5.7. Обучение правилу Зигерта - Котельникова
§ 5.8. Обучение правилу взвешенной комбинации
§ 5.9. Обучение правилу Неймана - Пирсона
§ 5.10. Нужно ли обучение правилу минимакса?
§ 5.11. Обучение правилу общего вида
§ 5.12. Обсуждение
§ 5.13. Заключение
Глава VI. Самообучающиеся системы классификации
§ 6.1. Введение
§ 6.2. Цель самообучения
§ 6.3. Двуальтернативный случай
§ 6.4. Алгоритмы самообучения
§ 6.5. Алгоритмы оптимального самообучения
§ 6.6. Адаптивный байесов подход
§ 6.7. Самообучение при известном числе областей
§ 6.8. Самообучение при неизвестном числе областей I
§ 6.9. Самообучение при неизвестном числе областей II
§ 6.10. Обсуждение
§ 6.11. Заключение
Г лава VII. Обучающиеся модели
§ 7.1. Введение
§ 7.2. Описание систем
§ 7.3. Структура моделей
§ 7.4. Цель обучения
§ 7.5. Алгоритмы обучения
§ 7.6. Линейная обучающаяся модель
§ 7.7. Оптимально обучающаяся линейная модель
§ 7.8. Нелинейная обучающаяся модель I
§ 7.9. Нелинейная обучающаяся модель II
§ 7.10. Обсуждение
§ 7.11. Влияние помех
§ 7.12. Устранение влияния помех
§ 7.13. Заключение
Глава VIII. Обучающиеся фильтры
§ 8.1. Введение
§ 8.2. Постановка задачи
§ 8.3. Структура фильтра
§ 8.4. Оптимальный винеровский фильтр
§ 8.5. Обучающийся винеровский фильтр
§ 8.6. Обучающийся винеровский фильтр при наличии априорной информации о помехах
§ 8.7. Обучающийся винеровский фильтр при наличии априорной информации о сигнале
§ 8.8. Обобщение
§ 8.9. Оптимально обучающиеся винеровские фильтры
§ 8.10. Обучающийся фильтр иного типа
§ 8.11. Оптимально обучающийся фильтр
§ 8.12. Заключение
Глава IX. Примеры обучающихся систем
§ 9.1. Введение
§ 9.2. Персептрон
§ 9.3. Адалина
§ 9.4. Обучающийся приемник I
§ 9.5. Обучающийся приемник II
§ 9.6. Самообучающийся классификатор
§ 9.7. Обучающиеся фильтры
§ 9.8. Обучающаяся антенная система
§ 9.9. Обучающаяся система связи
§ 9.10. Обучающееся кодирующее устройство
§ 9.11. Самообучающийся квантизатор
§ 9.12. Обучающаяся система управления
§ 9.13. Обучающаяся диагностическая система
§ 9.14. Установление параметрических рядов
§ 9.15. Заключение
Послесловие
Комментарии
Литература
Именной указатель
Предметный указатель

5.0

★ ★ ★ ★ ★

0 отзывов

Пока нет отзывов. Будьте первым, кто оставит отзыв.