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 16 z 67

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

Jak získat tento dokument?






Poznámky redaktora
5) applied simple binary level: if 0. One example the Sigmoid function: S e O    1 1 (2. Fig.5) ..7 compares the difference. 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..2211 (2.3) This function always produces output between and that why often called activation function.5 then (2.4) Generally:     nx x xxiwS 1 (2.2) Described words: the neuron takes its inputs and weights them according to the strength connection. Other activation functions (linear, logarithmic, and tangential) are also used sometimes; however, the Sigmoid function probably the most common.1) may formalized for neuron inputs: nn wiwiwiS  .7 After the summary, threshold (set 0. Artificial Neural Networks used simple binary outputs early stage, but later than switched continuous output function, because was more flexible. Figure 2.7 Threshold and Sigmoid function ([3]) Earlier formula (2. the total sum the weighted inputs more than the previously defined threshold, the neuron produces pulse (just like the biological one).5 then 1 if 0. 2