Produktbild: Neural Networks: Computational Models and Applications
Band 53

Neural Networks: Computational Models and Applications

147,99 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

22.11.2010

Abbildungen

XXII, 103 illus., schwarz-weiss Illustrationen

Verlag

Springer Berlin

Seitenzahl

300

Maße (L/B/H)

23,5/15,5/1,8 cm

Gewicht

498 g

Auflage

Softcover reprint of hardcover 1st ed. 2007

Sprache

Englisch

ISBN

978-3-642-08871-1

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

22.11.2010

Abbildungen

XXII, 103 illus., schwarz-weiss Illustrationen

Verlag

Springer Berlin

Seitenzahl

300

Maße (L/B/H)

23,5/15,5/1,8 cm

Gewicht

498 g

Auflage

Softcover reprint of hardcover 1st ed. 2007

Sprache

Englisch

ISBN

978-3-642-08871-1

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: Neural Networks: Computational Models and Applications
  • Feedforward Neural Networks and Training Methods.- New Dynamical Optimal Learning for Linear Multilayer FNN.- Fundamentals of Dynamic Systems.- Various Computational Models and Applications.- Convergence Analysis of Discrete Time RNNs for Linear Variational Inequality Problem.- Parameter Settings of Hopfield Networks Applied to Traveling Salesman Problems.- Competitive Model for Combinatorial Optimization Problems.- Competitive Neural Networks for Image Segmentation.- Columnar Competitive Model for Solving Multi-Traveling Salesman Problem.- Improving Local Minima of Columnar Competitive Model for TSPs.- A New Algorithm for Finding the Shortest Paths Using PCNN.- Qualitative Analysis for Neural Networks with LT Transfer Functions.- Analysis of Cyclic Dynamics for Networks of Linear Threshold Neurons.- LT Network Dynamics and Analog Associative Memory.- Output Convergence Analysis for Delayed RNN with Time Varying Inputs.- Background Neural Networks with Uniform Firing Rate and Background Input.