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
1) Rule and B2, then 2222 ryqpf  (5.1 shows the reasoning mechanism for the Sugeno model.1 two-input first-order Sugeno fuzzy model ([10]) Fig. Fig.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  (5.2 standard ANFIS architecture ([10]) .2.2) Figure 5. 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. 5. 5