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 33 z 67

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

Jak získat tento dokument?






Poznámky redaktora
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