Neural Networks in Robotics

دانلود کتاب Neural Networks in Robotics

30000 تومان موجود

کتاب شبکه های عصبی در رباتیک نسخه زبان اصلی

دانلود کتاب شبکه های عصبی در رباتیک بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید


این کتاب نسخه اصلی می باشد و به زبان فارسی نیست.


امتیاز شما به این کتاب (حداقل 1 و حداکثر 5):

امتیاز کاربران به این کتاب:        تعداد رای دهنده ها: 5


توضیحاتی در مورد کتاب Neural Networks in Robotics

نام کتاب : Neural Networks in Robotics
ویرایش : 1
عنوان ترجمه شده به فارسی : شبکه های عصبی در رباتیک
سری : The Springer International Series in Engineering and Computer Science 202
نویسندگان : , , ,
ناشر : Springer US
سال نشر : 1993
تعداد صفحات : 559
ISBN (شابک) : 9781461363941 , 9781461531807
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 20 مگابایت



بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.

توضیحاتی در مورد کتاب :




شبکه‌های عصبی در رباتیک اولین کتابی است که دیدگاهی یکپارچه از کاربرد شبکه‌های عصبی مصنوعی برای کنترل ربات و مدل‌های عصبی عضلانی که ربات‌ها از آن ساخته شده‌اند را ارائه می‌کند. رفتار سیستم‌های بیولوژیکی الهام‌بخش و چالشی برای روباتیک است. هدف، ساخت ربات‌هایی است که می‌توانند توانایی موجودات زنده را برای ادغام ورودی‌های ادراکی به آرامی با پاسخ‌های حرکتی، حتی در حضور محرک‌های جدید و تغییرات در محیط، تقلید کنند. توانایی سیستم‌های زنده برای یادگیری و سازگاری، استانداردی را فراهم می‌کند که سیستم‌های رباتیک بر اساس آن قضاوت می‌شوند. به منظور تقلید از این توانایی ها، تعدادی از محققین تلاش کرده اند تا کنترل کننده های رباتی را ایجاد کنند که بر اساس فرآیندهای شناخته شده در مغز و سیستم اسکلتی- عضلانی مدل شده اند. تعدادی از این مدل ها در این کتاب توضیح داده شده است.
از سوی دیگر، فرمول‌های اتصالگرا (شبکه عصبی مصنوعی) برای محاسبه سینماتیک معکوس و دینامیک روبات‌ها جذاب هستند، زیرا می‌توان آنها را بدون برنامه‌نویسی صریح برای این منظور آموزش داد. برخی از مزایا و مشکلات محاسباتی این رویکرد نیز ارائه شده است.
برای هر دانشجوی جدی رباتیک، شبکه های عصبی در رباتیک مرجعی ضروری به کار محققان بزرگ در این زمینه است. به طور مشابه، از آنجایی که رباتیک یک حوزه کاربردی برجسته برای شبکه‌های عصبی مصنوعی است، شبکه‌های عصبی در رباتیک برای کارگران در ارتباط‌گرایی و برای دانش‌آموزان برای کنترل حسگر مانیتور در سیستم‌های زنده به همان اندازه مهم است.


فهرست مطالب :


Front Matter....Pages i-xii
Front Matter....Pages 1-1
Learning Global Topological Properties of Robot Kinematic Mappings for Neural Network-based Configuration Control....Pages 3-17
A One-eyed Self Learning Robot Manipulator....Pages 19-28
A CMAC Neural Network for the Kinematic Control of Walking Machine....Pages 29-43
Neurocontroller Selective Learning from Man-in-the-Loop Feedback Control Actions....Pages 45-83
Application of Self-Organizing Neural Networks for Mobile Robot Environment Learning....Pages 85-96
A Neural Network Based Inverse Kinematics Solution In Robotics....Pages 97-111
Hopfield Net Generation and Encoding of Trajectories in Constrained Environment....Pages 113-127
Front Matter....Pages 129-129
Some Preliminary Comparisons Between a Neural Adaptive Controller and a Model Reference Adaptive Controller....Pages 131-146
Stable Nonlinear System Identification Using Neural Network Models....Pages 147-164
Modeling of Robot Dynamics by Neural Networks with Dynamic Neurons....Pages 165-176
Neural Networks Learning Rules for Control: Uniform Dynamic Backpropagation, Heavy Adaptive Learning Rule....Pages 177-191
Parameter Learning and Compliance Control Using Neural Networks....Pages 193-216
Generalisation and Extension of Motor Programs for a Sequential Recurrent Network....Pages 217-235
Temporally Continuous vs. Clocked Networks....Pages 237-252
Front Matter....Pages 253-253
Fast Sensorimotor Skill Acquisition based on Rule-Based Training of Neural Networks....Pages 255-270
Control of Grasping in Robot Hands by Neural Networks and Expert Systems....Pages 271-294
Robotic Task Planning Using A Connectionist/Symbolic System....Pages 295-316
Front Matter....Pages 317-317
Senses, Skills, Reactions and Reflexes: Learning Automatic Behaviors in Multi-Sensory Robotic Systems....Pages 319-330
A New Neural Net Approach to Robot 3D Perception and Visuo-Motor Coordination....Pages 331-347
Connectivity Graphs for Space-variant Active Vision....Pages 349-373
Front Matter....Pages 317-317
Competitive Learning for Color Space Division....Pages 375-387
Learning to Understand and Control in a World of Events....Pages 389-402
Self-selection of Input Stimuli for Improving Performance....Pages 403-418
Front Matter....Pages 419-419
A Biologically-Inspired Architecture for Reactive Motor Control....Pages 421-438
Equilibria and Dynamics of a Neural Network Model for Opponent Muscle Control....Pages 439-457
Developmental Robotics: A New Approach to the Specification of Robot Programs....Pages 459-486
A Kinematic & Dynamic Robotic Control System Based On Cerebro-Cerebellar Interaction Modelling....Pages 487-501
What Frogs’ Brains Tell Robots’ Schemas....Pages 503-519
Modulation of Robotic Motor Synergies Using Reinforcement Learning Optimization....Pages 521-538
Using Optimal Control to Model Trajectory Formation and Perturbation Response in a Prehension Task....Pages 539-558
Back Matter....Pages 559-563

توضیحاتی در مورد کتاب به زبان اصلی :


Neural Networks in Robotics is the first book to present an integrated view of both the application of artificial neural networks to robot control and the neuromuscular models from which robots were created. The behavior of biological systems provides both the inspiration and the challenge for robotics. The goal is to build robots which can emulate the ability of living organisms to integrate perceptual inputs smoothly with motor responses, even in the presence of novel stimuli and changes in the environment. The ability of living systems to learn and to adapt provides the standard against which robotic systems are judged. In order to emulate these abilities, a number of investigators have attempted to create robot controllers which are modelled on known processes in the brain and musculo-skeletal system. Several of these models are described in this book.
On the other hand, connectionist (artificial neural network) formulations are attractive for the computation of inverse kinematics and dynamics of robots, because they can be trained for this purpose without explicit programming. Some of the computational advantages and problems of this approach are also presented.
For any serious student of robotics, Neural Networks in Robotics provides an indispensable reference to the work of major researchers in the field. Similarly, since robotics is an outstanding application area for artificial neural networks, Neural Networks in Robotics is equally important to workers in connectionism and to students for sensormonitor control in living systems.




پست ها تصادفی