| 1 |
قضایای مربوط توابع محدب |
|
| 2 |
مینیمم محلی و سراسری و قضایای در ارتباط با برنامه ریزی محدب |
|
| 3 |
توابع شبه محدب-اکیدا شبه محدب-محدب نما |
|
| 4 |
شرایط لازم KKT |
|
| 5 |
شرایط کافی KKT |
|
| 6 |
دوگان برنامه ریزی خطی و درجه دوم |
|
| 7 |
نامساوی وردشی و مسایل مکمل |
|
| 8 |
تابع تصویر و قضایای مربوط به آن |
|
| 9 |
توابع مکمل و قضایای مربوط به آن |
|
| 10 |
معادله تصویر خطی و ارتباط آن با مسایل مکمل |
|
| 11 |
تابع تصویر خطی و ارتباط ان با برنامه ریزی درجه دوم |
|
| 12 |
معادله تصویر غیرخطی و ارتباط آن با مسایل مکمل غیر خطی |
|
| 13 |
معادله تصویر غیر خطی و ارتباط آن با مسایل بهینه سازی غیر خطی |
|
| 14 |
کاربردهای دیگر معادله تصویر غیر خطی |
|
| 15 |
مقدمه ای بر شبکه عصبی |
|
| 16 |
معرفی چند شبکه عصبی |
|
| 17 |
کاربردهای شبکه عصبی |
|
| 18 |
شبکه عصبی گسسته و پیوسته هاپفیلد |
|
| 19 |
ماشین بردار پشتیبان برای داده های خطی |
|
| 20 |
ماشین بردار پشتیبان برای داده های غیر خطی |
|
| 21 |
نوع دیگرماشین بردار پشیبان |
|
| 22 |
بررسی وجود جواب معادله دیفرانسیل و قضیه گرونوال |
|
| 23 |
معرفی شبکه عصبی زیا و وانگ |
|
| 24 |
بررسی پایداری شبکه عصبی زیا و وانگ |
|
| 25 |
کاربردهای شبکه عصبی زیا و وانگ |
|
| 26 |
شبکه عصبی تک لایه برای حل معادله تصویر غیر خطی |
|
| 27 |
معرفی تابع لیاپانف مناسب برای پایداری مدل |
|