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 43 z 67

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

Jak získat tento dokument?






Poznámky redaktora
The network coefficients are updated each run many times as the number input-target pairs. The result returned as matrix, where the corresponding outputs are organized rows. . Neural network simulation neteval. The function returns the trained network. 7.m This function creates simple structure that contains the necessary information and weights each neuron input. The following figures (Fig.m This function calculates the output each neuron gradually each layer and, finally, the output the whole network for the given input sets. Each row corresponds one input set.2) show the workflow the program where the first four blocks represents the training, while the last three parts the testing/evaluation part. The weights are initialized with small random numbers. This structure variable returned the function.m This function implements the classical backpropagation algorithm for training the neural network. The number runs (training epochs) has be set manually.1 and Fig.34 Neural network creation netinit. Neural network training netlearn. 7