Standaard Boekhandel gebruikt cookies en gelijkaardige technologieën om de website goed te laten werken en je een betere surfervaring te bezorgen.
Hieronder kan je kiezen welke cookies je wilt inschakelen:
Technische en functionele cookies
Deze cookies zijn essentieel om de website goed te laten functioneren, en laten je toe om bijvoorbeeld in te loggen. Je kan deze cookies niet uitschakelen.
Analytische cookies
Deze cookies verzamelen anonieme informatie over het gebruik van onze website. Op die manier kunnen we de website beter afstemmen op de behoeften van de gebruikers.
Marketingcookies
Deze cookies delen je gedrag op onze website met externe partijen, zodat je op externe platformen relevantere advertenties van Standaard Boekhandel te zien krijgt.
Je cadeautjes zeker op tijd in huis hebben voor de feestdagen? Kom langs in onze winkels en vind het perfecte geschenk!
Afhalen na 1 uur in een winkel met voorraad
Gratis thuislevering in België vanaf € 30
Ruim aanbod met 7 miljoen producten
Je cadeautjes zeker op tijd in huis hebben voor de feestdagen? Kom langs in onze winkels en vind het perfecte geschenk!
Je kan maximaal 250 producten tegelijk aan je winkelmandje toevoegen. Verwijdere enkele producten uit je winkelmandje, of splits je bestelling op in meerdere bestellingen.
System identification in nonstationary environment represents a challenging problem and an advaned neural architecture namely Time-Varying Neural Net- works (TV-NN) has shown remarkable identification properties in nonlinear and nonstationary conditions. Time-varying weights, each being a linear com- bination of a certain set of basis functions, are used in such kind of networks instead of stable ones, which inevitalbly increases the number of free parame- ters. Therefore, an Extreme Learning Machine (ELM) approach is developed to accelerate the training procedure for TV-NN. What is more, in order to ob- tain a more compact structure, or determine several important parameters, or update the network more efficiently in online case, several variants of ELM-TV are proposed and discussed in the book. Related computer simulations have been carried out and show the effectiveness of the algorithms.