|
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.
13
Feedforward:
Step Activate the input neurons (Xi, i=1, . multiplying
the obtained values with derivation activation function,
we get )_´(_ jij inzfin which part the weight
correction ijij and bias correction jjv ..4)
Determintation internal neuron output values
jj inzfz (3.,p).6)
kk inyfy (3.5)
Step Determination the actual output values neural
network signal (Yk, k=1, ..e. from neurons located
in the following layer),
m
k
jkkj win
1
_ assigned to
each neuron the inner layer (Zj, j=1, .
Step summation its delta inputs (i..,m):
p
j
jkjkk wzwiny
1
0_ (3..,n)
xi si
Step Calculate the input values internal neurons
(Zj, j=1, ..,m)....,p):
n
i
ijijin vxvz j
1
0 (3.. Furthermore )_´()( kkkk inyfyt calculated,
which part the weight correction jkjk and
bias correction kkw .7)
Backpropagation:
Step Value the expected output for the input training pattern
is assigned each neuron the output layer (Yk, k=1,
.
