Klasifikace vzorů pomocí fuzzy neuronových sítí

| Kategorie: Diplomové, bakalářské práce  | Tento dokument chci!

Práce popisuje základy principu funkčnosti neuronů a vytvoření umělých neuronových sítí. Je zde důkladně popsána struktura a funkce neuronů a ukázán nejpoužívanější algoritmus pro učení neuronů. Základy fuzzy logiky, včetně jejich výhod a nevýhod, jsou rovněž prezentovány. Detailněji je popsán algoritmus zpětného šíření chyb a adaptivní neuro-fuzzy inferenční systém. Tyto techniky poskytují efektivní způsoby učení neuronových sítí.

Vydal: FCC Public s. r. o. Autor: Tamás Ollé

Strana 10 z 67

Vámi hledaný text obsahuje tato stránku dokumentu který není autorem určen k veřejnému šíření.

Jak získat tento dokument?






Poznámky redaktora
INTRODUCTION A fuzzy system alternative traditional concepts set membership and logic. The “neuro- fuzzy” approach was born combination artificial neural networks and fuzzy logic. The second, implementation phase behaves like fuzzy logic system. These two techniques are often used together for solving engineering problems, where classic methods are not able provide straightforward correct solution. neural network for voice recognition will programmed. The first called the learning phase, where neural networks adjust their internal parameters.1 1. Within this work, own neural network will built Matlab, using the presented techniques. Within this work, try present the foundations of neural networks along with some the more remarkable difficulties its use with examples from the field artificial intelligence. Two different processes take place such systems. Although its basics originate from the ancient Greek philosophy, relatively new field, and such, leaves much room for development and applications the leading edge artificial intelligence. Modern techniques artificial intelligence can found almost all fields of the human science, however, the biggest usage engineering field. Generally, the neuro-fuzzy term means type system characterized for a similar structure fuzzy controller where the fuzzy sets and rules are adjusted using neural networks’ tuning techniques iterative way with data vectors (input and output system data) [1]. The combination these two techniques likely produce better results than the two techniques applied separately. . The goal the project apply these specific techniques particular examples, and analyze and present the differences between them