|
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.
The consequent parameter then
used compute and using the following equation
1111 ryqxpf
2222 ryqxpf (5. Let ntot_a n5a n6a, then the normalization is
given [10]
antotanan _/57
antotanan _/68 (5.25
)3,1min(5 ananan
)4,2min(6 ananan (5.9)
Layer 5:
This layer represented single summation neuron.5)
Layer 4:
This layer the deffuzification layer.8)
After that, the output the node and n10 are calculated the equation [3]
179 fanan
2810 fanan (5.6)
By means the LSE method, obtain the consequent parameter [p1, q1, r1, p2,
q2, r2] using the following equation
UAAAP 1
(5.10)
. arranging the incoming signals, matrix can
be obtained which has the form
anyanxananyanxanA 8)8()8(7)7()7( (5.7)
where the desired output the controller.4)
Layer 3:
This layer the normalization layer. This layer produces the
overall ANFIS output with simple summation the layer input signals given by
ananan 10911 (5
