Zum Hauptinhalt springen Zur Suche springen Zur Hauptnavigation springen
Beschreibung
In der heutigen Welt ist die Bilderkennung durch den Computer das wichtigste Thema. Die Erkennung von Handschriften ist sehr nützlich geworden, damit die Maschine lernt, zwischen Mensch und Computer zu interagieren. Für die Klassifizierung und Erkennung von Mustern sind neuronale Netze die leistungsfähigsten Werkzeuge. In diesem Buch werden die Strategien für handgeschriebene englische Zeichen (Groß- und Kleinbuchstaben) dargestellt. Wir konzentrieren uns auf die Klassifizierung und Erkennung auf der Grundlage des Leaky-Integrate- und Fire-Neuronenmodells und des Izhikevich-Neuronenmodells, bei denen es sich um Spiking Neural Network-Modelle handelt. Dieses Buch illustriert die Simulation des Leaky-Integrate-and-Fire-Neuronenmodells und des Izhikevich-Neuronenmodells, und die Ergebnisse werden in Bezug auf Genauigkeit, Simulationszeit und Feuerungsraten für die Analyse mit einigen weiteren Verbesserungen verglichen. Wir berichten über die Vorteile von SNN, wie z.B. mathematische Modellberechnung, hohe Genauigkeit, geringer Stromverbrauch, geringer Platzbedarf und Nützlichkeit für Echtzeitanwendungen, die wir weiter ausbauen und in Bezug auf die Kosteneffizienz verbessern wollen.
In der heutigen Welt ist die Bilderkennung durch den Computer das wichtigste Thema. Die Erkennung von Handschriften ist sehr nützlich geworden, damit die Maschine lernt, zwischen Mensch und Computer zu interagieren. Für die Klassifizierung und Erkennung von Mustern sind neuronale Netze die leistungsfähigsten Werkzeuge. In diesem Buch werden die Strategien für handgeschriebene englische Zeichen (Groß- und Kleinbuchstaben) dargestellt. Wir konzentrieren uns auf die Klassifizierung und Erkennung auf der Grundlage des Leaky-Integrate- und Fire-Neuronenmodells und des Izhikevich-Neuronenmodells, bei denen es sich um Spiking Neural Network-Modelle handelt. Dieses Buch illustriert die Simulation des Leaky-Integrate-and-Fire-Neuronenmodells und des Izhikevich-Neuronenmodells, und die Ergebnisse werden in Bezug auf Genauigkeit, Simulationszeit und Feuerungsraten für die Analyse mit einigen weiteren Verbesserungen verglichen. Wir berichten über die Vorteile von SNN, wie z.B. mathematische Modellberechnung, hohe Genauigkeit, geringer Stromverbrauch, geringer Platzbedarf und Nützlichkeit für Echtzeitanwendungen, die wir weiter ausbauen und in Bezug auf die Kosteneffizienz verbessern wollen.
Über den Autor
Soni Adit Chaturvedi est Ph.D [Electronics Engineering] [...] (Electronics) et B.E.( E &C) Travaillant actuellement comme professeur associé et chef dans E &C Engg. Dept., PIET,Nagpur. Elle a une expérience totale d'enseignement de 25 ans, a un chapitre de livre dans le livre de Springer et 20 contributions de recherche dans les journaux internationaux repited, domaine : ANN, DIP, DSD.
Details
Erscheinungsjahr: 2022
Fachbereich: Nachrichtentechnik
Genre: Importe, Technik
Rubrik: Naturwissenschaften & Technik
Medium: Taschenbuch
Inhalt: 92 S.
ISBN-13: 9786204566108
ISBN-10: 6204566105
Sprache: Deutsch
Einband: Kartoniert / Broschiert
Autor: Chaturvedi, Soni Adit
Khurshid, Aleefia A.
Hersteller: Verlag Unser Wissen
Verantwortliche Person für die EU: preigu GmbH & Co. KG, Lengericher Landstr. 19, D-49078 Osnabrück, mail@preigu.de
Maße: 220 x 150 x 7 mm
Von/Mit: Soni Adit Chaturvedi (u. a.)
Erscheinungsdatum: 25.03.2022
Gewicht: 0,155 kg
Artikel-ID: 121381038

Ähnliche Produkte