|
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.
1 Forward pass
The forward pass based the architecture presented Figure 5.24
5. The
output this layer can obtained as
. uses
two inputs and one output. The symbol is
used order differentiate with new symbol (after the correction) that will used
later the backward pass [10].1.
Fig.2.3 The forward pass (based [10])
The functions the individual layers are the following:
Layer 1:
This layer the so-called fuzzification layer. For convenience, different notation introduces as
shown Figure 5. 5. Each output this node labeled by
a.3 [10]. 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
)(
(5.3)
The membership function has parameters {ai, bi, ci}, which are
predetermined selecting parameter values. Accordingly, the outputs are denoted n1a, n2a, n3a, and n4a.
Layer 2:
This layer the rule layer, where fuzzy logic AND used the node function