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 65 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

v deltav; net.m function out neteval(network, input) %input signals rows f @(x) sigmf(x, [10 .alfa.v0 deltav0; end runs=runs-1; if (runs<=0) %learning ends break; end end onet=net; end A.w deltaw; net.v0; z f(z_in); %step 5 y_in network.w net.*fa(z_in); deltav net.5]); %sigmoid fa @(x) (f(x)-f(x-0.v net.alfa.001))/0.w0 deltaw0; net.w0 network.alfa.w*delta; delta delta_in.001; %derived out=[]; %step 2 for 1:size(input,1) %step 3 x input(i,:)'; %step 4 z_in network.w'*z; y f(y_in); out [out; y']; end .6 neteval.*delta; %step 8 net.*(z*delta'); deltaw0 net.*(x*delta'); deltav0 net.alfa.*delta; %step 7 delta_in net.v0 net.w0 net.v'*x network.56 deltaw net

---

---