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 22 z 67

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

Jak získat tento dokument?






Poznámky redaktora
.,m):   p j jkjkk wzwiny 1 0_ (3..,p).,p):   n i ijijin vxvz j 1 0 (3.. from neurons located in the following layer),   m k jkkj win 1 _ assigned to each neuron the inner layer (Zj, j=1, .,m).7) Backpropagation: Step Value the expected output for the input training pattern is assigned each neuron the output layer (Yk, k=1, .e..,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, ... Step summation its delta inputs (i.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 ..6)  kk inyfy (3..4) Determintation internal neuron output values  jj inzfz (3. Furthermore )_´()( kkkk inyfyt  calculated, which part the weight correction jkjk  and bias correction kkw 