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 32 z 67

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

Jak získat tento dokument?






Poznámky redaktora
The important part the presented ANFIS is the modification the error correction rules error backpropagation (EBP) using a mapping function replace the membership function the standard ANFIS [10]. The corresponding standard ANFIS architecture where nodes the same layer have similar functions shown Figure 5.2) Figure 5.1 shows the reasoning mechanism for the Sugeno model.1) Rule and B2, then 2222 ryqpf  (5.23 a typical first-order Sugeno fuzzy with two fuzzy if-then rules has the following form (based [10]): Rule and B1, then 1111 ryqpf  (5. 5.2. Fig. 5.2 standard ANFIS architecture ([10]) .1 two-input first-order Sugeno fuzzy model ([10]) Fig