|
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.
Accordingly, the outputs are denoted n1a, n2a, n3a, and n4a.24
5. The bell activation function used as
the membership function, which has regular bell shape and specified as
ib
i
i
a
cx
xA 2
1
1
)(
(5. uses
two inputs and one output.
Layer 2:
This layer the rule layer, where fuzzy logic AND used the node function.3 [10].3)
The membership function has parameters {ai, bi, ci}, which are
predetermined selecting parameter values. For convenience, different notation introduces as
shown Figure 5. The
output this layer can obtained as
.3 The forward pass (based [10])
The functions the individual layers are the following:
Layer 1:
This layer the so-called fuzzification layer.1.
Fig. The symbol is
used order differentiate with new symbol (after the correction) that will used
later the backward pass [10].2. Each output this node labeled by
a.1 Forward pass
The forward pass based the architecture presented Figure 5. 5
