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 61 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

.1 spust../test_1'; %test samples [inp,tgt]=wavload(traindir,num_anfis_inputs); %% train fprintf('Train..m clear; clc; if (matlabpool('size')==0) matlabpool open; end; num_anfis_inputs=140; %mode='anfis'; %selection network type mode='nnv'; tic; fprintf('Load train data..\n',i); in_fis(i) genfis2(inp,tgt(:,i),..\n'); traindir '.52 A MATLAB PROGRAMS A.....\n'); [tinp,ttgt]=wavload(testdir,num_anfis_inputs); switch mode case 'anfis' warning('off', 'Fuzzy:evalfis:InputOutOfRange'); tres=[]; for i=1:size(tgt,2) fprintf(' %d.3); out_fis(i) anfis([inp tgt(:,i)],in_fis(i),epoch_n,zeros(1,4)); %network learning res(:,i) evalfis(inp,out_fis(i)); %network evaluation end case 'nnv' nnet netinit(size(inp,2), size(tgt,2)); nnet netlearn(nnet, inp, tgt, 2000); %network learning res neteval(nnet, inp); %network evaluation end %% test data fprintf('Eval./train'; %training samples testdir '..\n',i); tres(:,i)=evalfis(tinp,out_fis(i)); %network testing with test data end . test data.20); %in_fis(i) genfis2(inp,tgt(:,i),.\n'); switch mode case 'anfis' epoch_n 3; parfor i=1:size(tgt,2) %runs iterations paralell fprintf(' %d..

---

---