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 51 z 67

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

Jak získat tento dokument?






Poznámky redaktora
14 The results the NNV2 network tested with words Speaker3 .42 d) The network tested with words Speaker1 Actual language Czech English Hungarian ∑ All words 153 Precisely identified words 124 Efficiency 74,51% 90,20% 78,43% 81,05% Imprecisely identified words (instead the actual language) as Hungarian as English as Hungarian as Czech as English as Czech ∑ 8 29 Ratio 15,69% 9,80% 7,84% 1,96% 11,76% 9,80% 18,95% Table 8. Actual language Czech English Hungarian ∑ All words 153 Precisely identified words 70 Efficiency 33,33% 45,10% 58,82% 45,75% Imprecisely identified words (instead the actual language) as Hungarian as English as Hungarian as Czech as English as Czech ∑ 18 83 Ratio 35,29% 31,37% 43,14% 11,76% 37,25% 3,92% 54,25% Table 8.12 The results the NNV2 network tested with words Speaker1 e) The network tested with words Speaker2 Actual language Czech English Hungarian ∑ All words 153 Precisely identified words 116 Efficiency 70,59% 70,59% 86,27% 75,82% Imprecisely identified words (instead the actual language) as Hungarian as English as Hungarian as Czech as English as Czech ∑ 6 37 Ratio 11,76% 17,65% 23,53% 5,88% 5,88% 7,84% 24,18% Table 8.13 The results the NNV2 network tested with words Speaker2 f) The network tested with words Speaker3 For this simulation, the network was trained with the words Speaker1 and Speaker2 and then tested with words Speaker3. The results presented hereinafter were obtained average training and tests per train (with test_3, test_4 and test_5 folder) total number tests