|
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.
13)
The output the node n11 then becomes [10]
111111 danbn (5.2 Backward pass
After running the forward pass, get the resulted error.4.26
5.4 The backward pass ([10])
Symbol ԑ11 defines the error between the desired output and the actual output.
The sum the squared error given [10]
)(
1
2
, )(
lN
k
p
kl
p
kp xdE (5.12)
Next, d11 defined follows [10]
anUd 112/1111 (5.14)
According formula 5. The value this layer given n11 and =
U, then the error defined [10]
)11(211 anU (5.11)
In our case the sum the squared error defines the difference between the desired
and the actual output, ԑ11.10, have
bnbnbn 10911
. 5.
Fig. Within the backward
pass, this error propagated back the system using error correction rule the
modified error back propagation (EBP), see Figure 5.1