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 35 z 67

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

Jak získat tento dokument?






Poznámky redaktora
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