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
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