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.

Strana 11 z 67

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

Více info o tomto dokumentu zde!

Jak získat tento dokument?

Poznámky redaktora

1). Fig. The neural networks modifies its internal structure and the weights the connections between its artificial neurons make the mapping, with level acceptable error for the application the relation input/output that represent the behavior the modeled system [1].1 Real brains Real neurons are much too small see directly and are visible only under a microscope (Figure 2. The advantages the neural networks are:  learning capacity  generalization capacity  robustness relation disturbances The disadvantages the neural networks are:  impossible interpretation the functionality  difficulty determining the number layers and number neurons 2. The main characteristic the neural network the fact, that these structures can learn with examples (training vectors, input and output samples the system). 2. NEURAL NETWORKS The basic conception behind the neural net simulate the biological functions the human brain. These processing units are called “brain cells” “neurons” and each one living cell [2].2 2. The human brain consists about 100 billion processing units connected together just such network.1 biological neuron ([2])

---

---