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