|
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.
Although the description backpropagation learning algorithm formulated
for classic von Neumann computer model, despite clear that can implement
in the distributed way.
Fig.,m) updates on
their connections weight values including its bias (j=0,
.. Next the same for the second letter, then the third,
etc..,p):
jkjkjk woldwneww )()( (3.
.8)
Each neuron the inner layer (Zj, j=1, .. Network calculation reverse run
proceeds sequentially layers, while one layer can proceed paralelly.,n):
ijijij voldvnewv )()( (3.3 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.. Then based external information about the required output, i.4).. 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. 3.,p) updates on
their connections weight values including its bias (i=0,
.
3.2 Running the algorithm
Now, after the algorithm reviewed detail, let´s take look how works
with large data set.e..9)
Step Termination condition:
if any changes weight values not occur, there was performed
maximally defined amount weight changes, stop; otherwise continue. For each training pattern, the active mode for its input runs
firstly that the information the neural network spreads from the input its
output. will trying teach network recognise the first four
letters the alphabet 5x7 grid, see below.14
Update weights and thresholds:
Step Each neuron the output layer (Yk, k=1, .. the error of
individual inputs, partial derivation error function are calculated that the signal
spreads back from the output the input.
