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
For convenience, different notation introduces as shown Figure 5. The symbol is used order differentiate with new symbol (after the correction) that will used later the backward pass [10].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. Accordingly, the outputs are denoted n1a, n2a, n3a, and n4a.24 5. Layer 2: This layer the rule layer, where fuzzy logic AND used the node function. uses two inputs and one output.1. 5.3 The forward pass (based [10]) The functions the individual layers are the following: Layer 1: This layer the so-called fuzzification layer.1 Forward pass The forward pass based the architecture presented Figure 5.3) The membership function has parameters {ai, bi, ci}, which are predetermined selecting parameter values.2. Fig. Each output this node labeled by a. The output this layer can obtained as