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 64 z 67

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

Jak získat tento dokument?






Poznámky redaktora
w0 (rand(n.w'*z; y f(y_in); %step 6 delta (t-y).v'*x net.v0; z f(z_in); %step 5 y_in net.numout,1)-0.5)/1000; n.5)/1000; n.55 A.m function onet netlearn( net, input, target, runs ) %input signals rows f @(x) sigmf(x, [10 .5]); %sigmoid function fa @(x) (f(x)-f(x-0.m function network netinit( inputs, outputs %inputs, outputs %step 0 n=struct; %structure, contains the network n.numout)-0.v0 (rand(n.001))/0.001; %derivation %step 1 while (1) %step 2 for 1:size(input,1) %step 3 x input(i,:)'; t target(i,:)'; %step 4 z_in net.numz)-0.w0 net.numin,n.5)/1000; n.numz,n.w=(rand(n.alfa 0.*fa(y_in); .4 netinit.numz=round(inputs); %number hidden layer %initialize network coefficients n.5)/1000; n.v=(rand(n.numin=inputs; %number inputs n.numout=outputs; %number outpust n.numz,1)-0.5 netlearn.0001; network=n; end A