|
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.
a
result, this part will not chosen Layer [10]. After adding the arbitrary value
which belongs the output node Layer result get the original value of
n1b, n2b, n3b and n4b. Suppose d_tot 0,
this implies ntot_b ntot_a.27
Based formula 5. The next step mapping all the inputs the corrected
output Layer The mapping function then becomes the membership function of
the learning mechanism the modified ANFIS.14, can define
999 danbn
101010 danbn
then can appoint
10911 ddd (5.18)
In this layer, the minimum value input signals are selected the logic AND
function applied process the outputs Layer Layer already have
n5a1 and n6b1, important that the outputs this node must satisfy n5b n5b1
and n6b n6b1.15 (f1 f2)/(f1 f2) leads [10]
109
21
211
21
111
dd
ff
fd
ff
fd
(5.
.15)
Multiplying the left side formula 5.16)
Since n9a n7a and n10a n8a after correction have n9b n7b and
n10b n8b result, obtain [10]
179 )7(9 fdandan
2810 )8(10 fdandan
Next, from the ntot_a the forward pass, write the new ntot_b follows [10]
totdantotbntot ___ (5. then add
an arbitrary value the one part, that has higher value than the other part.17)
where d_tot arbitrary and obtained from the experiment data. simple way split n5b1 and n6b1 into two parts. Then the output nods Layer has the form [10]
bntotdanbn _)7(15 7
bntotdanbn _)8(16 8 (5
