|
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.
,m).e...4)
Determintation internal neuron output values
jj inzfz (3.6)
kk inyfy (3..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 . from neurons located
in the following layer),
m
k
jkkj win
1
_ assigned to
each neuron the inner layer (Zj, j=1, .7)
Backpropagation:
Step Value the expected output for the input training pattern
is assigned each neuron the output layer (Yk, k=1,
. Furthermore )_´()( kkkk inyfyt calculated,
which part the weight correction jkjk and
bias correction kkw ..,p).
Step summation its delta inputs (i..,m):
p
j
jkjkk wzwiny
1
0_ (3....,p):
n
i
ijijin vxvz j
1
0 (3..,n)
xi si
Step Calculate the input values internal neurons
(Zj, j=1, .5)
Step Determination the actual output values neural
network signal (Yk, k=1, .
