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 26 z 67

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

Jak získat tento dokument?






Poznámky redaktora
The fuzzy interference mechanism consists three stages: 1. If-then rules use linguistics variables with symbolic terms. Some significant characteristics the fuzzy logic are:  fuzzy logic, exact reasoning viewed limiting case approximate reasoning [6]  fuzzy logic, everything matter degree [6]  fuzzy logic, knowledge interpreted collection elastic or, equivalently, fuzzy constrain collection variables [6]  Inference viewed process propagation elastic constraints [6]  Any logical system can fuzzified [6] The function such systems can described set fuzzy rules, like ‘if- then’ (premise-consequent). Neural net technology can used learn system . The terms the input space (typically 5-7 for each linguistic variable) compose the fuzzy partition [1]. provides an approximate but effective means describing behavior systems that are too complex, ill-defined not easily analyzed mathematically. stage conversion numerical input value fuzzy value fuzzyfication 2.17 4. Each term represents fuzzy set. stage definition the rules according the firing strengths the inputs 3. stage retransformation the resultant fuzzy values into numerical values - defuzzyfication Main advantages the fuzzy systems:  ability represent uncertainties the human knowledge with linguistic variables  easy interpretation the results  easy expansion the base knowledge addition new rules  robustness relation the possible disorders the system Main disadvantages are:  unable universalize, only answers what written its rule base  topological changes the system would demand alternation the rule base  definition the inference logical rules needs expert 4. FUZZY SYSTEMS Fuzzy logic was first developed 1965 Lotfi Zadeh. Fuzzy logic uses graded statements rather than ones that are strictly true false. Its development was motivated the need for conceptual framework, which can help addressing the issue uncertainty and lexical imprecision.1 Fuzzy Neural Networks A marriage between fuzzy logic and neural networks can attenuate the problems these technologies. With the help fuzzy logic the uncertainties human cognitive processes like thinking and reasoning can be expressed mathematically