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 36 z 67

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

Jak získat tento dokument?






Poznámky redaktora
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. simple way split n5b1 and n6b1 into two parts. .15) Multiplying the left side formula 5.27 Based formula 5. then add an arbitrary value the one part, that has higher value than the other part. a result, this part will not chosen Layer [10]. Then the output nods Layer has the form [10] bntotdanbn _)7(15 7 bntotdanbn _)8(16 8 (5. Suppose d_tot 0, this implies ntot_b ntot_a.14, can define 999 danbn  101010 danbn  then can appoint 10911 ddd (5.17) where d_tot arbitrary and obtained from the experiment data.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. 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. After adding the arbitrary value which belongs the output node Layer result get the original value of n1b, n2b, n3b and n4b.15 (f1 f2)/(f1 f2) leads [10] 109 21 211 21 111 dd ff fd ff fd     (5