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.

Strana 52 z 67

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

Více info o tomto dokumentu zde!

Jak získat tento dokument?

Poznámky redaktora

2 The ANFIS network The ANFIS very complex structure; its implementation extremely time- consuming.1 Network parameters For the training and the testing process the following parameters were set within the ANFIS network: Number layers: 5 Output function the neuron: see Chapter 7 Training function: combination the least-squares method and the backpropagation gradient descent Number epochs: 3 Threshold: the biggest output the three networks indicates the recognized language Number outputs: for each network (for total amount 3) The training done the function anfis while the testing done evalfis.2 Simulation results A total number trainings and tests were run with the two speakers (Speaker1 and Speaker2) allocate the average error rate while the analysis parameters were set params.2. . the end the clustering process, set fuzzy rules are obtained [2]. These include flexibility and wide range of possibilities configuration.43 8. The membership function for the ANFIS network calculated the genfis2 function.m follows: framestep=190; %ms framelen=200; %ms melfilerbankcount=5; With this setting, one simulation took approximately 7500 seconds. This function generates the structure the Fuzzy Inference System from data using subtractive clustering.2. 8. 8. The ANFIS network created the Fuzzy Logic toolbox has clearly the same advantages over own implementation and have the Neural Network toolbox over the implemented simple network. This method partitions the training data into groups called clusters and generates the cluster centers until the maximum potential value the current iteration equal less than the threshold δ. The subtractive clustering one-pass algorithm for estimating the number of clusters and the cluster centers through the training data

---

---