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 34 z 67

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

Jak získat tento dokument?






Poznámky redaktora
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