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 23 z 67

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

Jak získat tento dokument?






Poznámky redaktora
4). 3. Fig.,m) updates on their connections weight values including its bias (j=0, . After you have done this for all four letters, return the first one, and repeat the whole process until the error becomes small (see Figure 3.,n): ijijij voldvnewv  )()( (3.. Then based external information about the required output, i.. Although the description backpropagation learning algorithm formulated for classic von Neumann computer model, despite clear that can implement in the distributed way..3 The first four letters the alphabet ([4]) The first step train the network apply the first letter and change all the weights the network once. the error of individual inputs, partial derivation error function are calculated that the signal spreads back from the output the input.2 Running the algorithm Now, after the algorithm reviewed detail, let´s take look how works with large data set.,p): jkjkjk woldwneww  )()( (3..9) Step Termination condition: if any changes weight values not occur, there was performed maximally defined amount weight changes, stop; otherwise continue.,p) updates on their connections weight values including its bias (i=0, . will trying teach network recognise the first four letters the alphabet 5x7 grid, see below. Network calculation reverse run proceeds sequentially layers, while one layer can proceed paralelly...e.14 Update weights and thresholds: Step Each neuron the output layer (Yk, k=1, .. 3.. . Next the same for the second letter, then the third, etc.8) Each neuron the inner layer (Zj, j=1, . For each training pattern, the active mode for its input runs firstly that the information the neural network spreads from the input its output