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 21 z 67

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

Jak získat tento dokument?






Poznámky redaktora
The simplest and most effective (can also solve several other problems) reset the weights different random numbers and try training again.1.e. This means that the weight change this interpretation depends not just the current error, but also previous changes., until get the local minimum of the error function.1 Description the backpropagation algorithm Step The weighting values and the bias are initialized small random numbers. multidimensional weighted space, this procedure exceeds our imagination. 3.12 adaptation, frame this point w(0) tangent vector (gradient)   0 w w E   and move in the direction this vector down For sufficiently small then obtain the new configuration w(1) = w(0) + Δw(1) , for which the error function smaller than for the original configuration w(0) , i. Presented adaptation process stops this low level (zero gradient) and the network error does not decrease further. There are number solutions solve this problem. . Assigning the initialization values the learning coeficient α. Step Perform steps for each (bipolar) training pair s:t.2 Gradient method ([4]) The main problem with gradient method that when finds local minimum, then this minimum does not need the global minimum (see Figure 3. Another solution add „momentum“ the weight change. The entire process repeated for w(1) and get w(2) such that E(w(1) ) E(w(2) ) etc. Fig. Usually this process very time-consuming (several days calculation with PC) for small multilayer networks (tens neurons) as well.2). Step Repeat steps until the condition calculation termination not executed. For example W+ = + Current change (change previous iteration*constant), where constant [4]. E(w(0) ) E(w(1) ). 3. Although with appropriate choice the learning rate (α) this method always converges some local minimum from any initial configuration, there no guarantee that this happens real time