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 14 z 67

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

Jak získat tento dokument?






Poznámky redaktora
actually simplified mathematical model of brain-like systems. The Artificial Neural Network (neural net ANN) collection simple processors connected together [2].3 Learning Spot where the end the axon meets the dendrites the next neuron is called the Synapse, and important the functioning the neuron and to learning [2].4. Between this and the next cell is few tens nanometers wide gap, called the synaptic cleft. more often the synapse used, the stronger gets. Fig. Most the artificial neural networks are based their model this day. Each processor can only perform very simple mathematical function its own, but with large network them much greater capabilities can be achieved. 2.5. The enlargement this area illustrated Figure 2. 2. These cross the cleft and stimulate the next cell [2].4 Artificial neural networks The history artificial neural networks goes back 1943, when Warren McCulloch and Walter Pitts designed simple artificial model neuron. When the action potential reaches the end the axon, stimulates the release chemicals called neurotransmitters, which are present the synaptic bulb. .5 2. The basic conception presented Figure 2.4 The synapse ([2]) The end the axon called the synaptic bulb