|
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.
4)
Generally:
nx
x
xxiwS
1
(2.2211 (2.5 then (2. One
example the Sigmoid function:
S
e
O
1
1
(2.7
After the summary, threshold (set 0.5)
.
Artificial Neural Networks used simple binary outputs early stage, but
later than switched continuous output function, because was more flexible.2)
Described words: the neuron takes its inputs and weights them according to
the strength connection. 2. the total sum the weighted inputs more than the
previously defined threshold, the neuron produces pulse (just like the biological
one). The biggest difference between threshold and Sigmoid function that
in the threshold case, the output changes suddenly from sigmoid case, the
change from happens gently this helps the neuron express uncertainty.1) may formalized for neuron inputs:
nn wiwiwiS ..
Figure 2.7 compares the difference.5) applied simple binary level:
if 0.3)
This function always produces output between and that why often
called activation function.5 then 1
if 0.7 Threshold and Sigmoid function ([3])
Earlier formula (2.
Fig. Other activation functions (linear, logarithmic, and
tangential) are also used sometimes; however, the Sigmoid function probably the
most common.
