|
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.
arranging the incoming signals, matrix can
be obtained which has the form
anyanxananyanxanA 8)8()8(7)7()7( (5.25
)3,1min(5 ananan
)4,2min(6 ananan (5.9)
Layer 5:
This layer represented single summation neuron.7)
where the desired output the controller. Let ntot_a n5a n6a, then the normalization is
given [10]
antotanan _/57
antotanan _/68 (5. This layer produces the
overall ANFIS output with simple summation the layer input signals given by
ananan 10911 (5.5)
Layer 4:
This layer the deffuzification layer.4)
Layer 3:
This layer the normalization layer.8)
After that, the output the node and n10 are calculated the equation [3]
179 fanan
2810 fanan (5. The consequent parameter then
used compute and using the following equation
1111 ryqxpf
2222 ryqxpf (5.10)
.6)
By means the LSE method, obtain the consequent parameter [p1, q1, r1, p2,
q2, r2] using the following equation
UAAAP 1
(5