|
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.
Fig.26
5.11)
In our case the sum the squared error defines the difference between the desired
and the actual output, ԑ11.
The sum the squared error given [10]
)(
1
2
, )(
lN
k
p
kl
p
kp xdE (5. The value this layer given n11 and =
U, then the error defined [10]
)11(211 anU (5.13)
The output the node n11 then becomes [10]
111111 danbn (5.12)
Next, d11 defined follows [10]
anUd 112/1111 (5.4.2 Backward pass
After running the forward pass, get the resulted error. Within the backward
pass, this error propagated back the system using error correction rule the
modified error back propagation (EBP), see Figure 5.14)
According formula 5.10, have
bnbnbn 10911
.1. 5.4 The backward pass ([10])
Symbol ԑ11 defines the error between the desired output and the actual output