Título :	Machine Learning for Model Order Reduction
Tipo de documento:	documento electrónico
Autores:	Mohamed, Khaled Salah, Autor
Mención de edición:	1 ed.
Editorial:	[s.l.] : Springer
Fecha de publicación:	2018
Número de páginas:	XI, 93 p.
ISBN/ISSN/DL:	978-3-319-75714-8
Nota general:	Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave:	Circuitos electrónicos  Microprocesadores  Arquitectura de Computadores  Electrónica  Circuitos y sistemas electrónicos  Arquitecturas de procesador  Electrónica y Microelectrónica  Instrumentación
Índice Dewey:	6.213.815
Resumen:	Este libro analiza el aprendizaje automático para la reducción del orden de los modelos, que se puede utilizar en el diseño VLSI moderno para predecir el comportamiento de un circuito electrónico, mediante modelos matemáticos que predicen el comportamiento. El autor describe técnicas para reducir significativamente el tiempo necesario para simulaciones que involucran ecuaciones diferenciales ordinarias a gran escala, que a veces toman varios días o incluso semanas. Este método se denomina reducción de orden del modelo (MOR), que reduce la complejidad del gran sistema original y genera un modelo de orden reducido (ROM) para representar el original. Los lectores obtendrán un conocimiento profundo de los conceptos de aprendizaje automático y reducción del orden de los modelos, las ventajas y desventajas involucradas en el uso de varios algoritmos y cómo aplicar las técnicas presentadas a las simulaciones de circuitos y al análisis numérico. Introduce algoritmos de aprendizaje automático a nivel de arquitectura y niveles de abstracción de algoritmos; Describe nuevas soluciones híbridas para la reducción de pedidos de modelos; Presenta algoritmos de aprendizaje automático en profundidad, pero de forma sencilla; Utiliza aplicaciones industriales reales para verificar algoritmos.
Nota de contenido:	Chapter1: Introduction -- Chapter2: Bio-Inspired Machine Learning Algorithm: Genetic Algorithm -- Chapter3: Thermo-Inspired Machine Learning Algorithm: Simulated Annealing -- Chapter4: Nature-Inspired Machine Learning Algorithm: Particle Swarm Optimization, Artificial Bee Colony -- Chapter5: Control-Inspired Machine Learning Algorithm: Fuzzy Logic Optimization -- Chapter6: Brain-Inspired Machine Learning Algorithm: Neural Network Optimization -- Chapter7: Comparisons, Hybrid Solutions, Hardware architectures and New Directions -- Chapter8: Conclusions.
En línea:	https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Link:	https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

Machine Learning for Model Order Reduction [documento electrónico] / Mohamed, Khaled Salah, Autor  . -  1 ed.  . - [s.l.] : Springer, 2018 . - XI, 93 p.
ISBN : 978-3-319-75714-8
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.

Palabras clave:	Circuitos electrónicos  Microprocesadores  Arquitectura de Computadores  Electrónica  Circuitos y sistemas electrónicos  Arquitecturas de procesador  Electrónica y Microelectrónica  Instrumentación
Índice Dewey:	6.213.815
Resumen:	Este libro analiza el aprendizaje automático para la reducción del orden de los modelos, que se puede utilizar en el diseño VLSI moderno para predecir el comportamiento de un circuito electrónico, mediante modelos matemáticos que predicen el comportamiento. El autor describe técnicas para reducir significativamente el tiempo necesario para simulaciones que involucran ecuaciones diferenciales ordinarias a gran escala, que a veces toman varios días o incluso semanas. Este método se denomina reducción de orden del modelo (MOR), que reduce la complejidad del gran sistema original y genera un modelo de orden reducido (ROM) para representar el original. Los lectores obtendrán un conocimiento profundo de los conceptos de aprendizaje automático y reducción del orden de los modelos, las ventajas y desventajas involucradas en el uso de varios algoritmos y cómo aplicar las técnicas presentadas a las simulaciones de circuitos y al análisis numérico. Introduce algoritmos de aprendizaje automático a nivel de arquitectura y niveles de abstracción de algoritmos; Describe nuevas soluciones híbridas para la reducción de pedidos de modelos; Presenta algoritmos de aprendizaje automático en profundidad, pero de forma sencilla; Utiliza aplicaciones industriales reales para verificar algoritmos.
Nota de contenido:	Chapter1: Introduction -- Chapter2: Bio-Inspired Machine Learning Algorithm: Genetic Algorithm -- Chapter3: Thermo-Inspired Machine Learning Algorithm: Simulated Annealing -- Chapter4: Nature-Inspired Machine Learning Algorithm: Particle Swarm Optimization, Artificial Bee Colony -- Chapter5: Control-Inspired Machine Learning Algorithm: Fuzzy Logic Optimization -- Chapter6: Brain-Inspired Machine Learning Algorithm: Neural Network Optimization -- Chapter7: Comparisons, Hybrid Solutions, Hardware architectures and New Directions -- Chapter8: Conclusions.
En línea:	https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Link:	https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i