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 8 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

...............................................................5 Fig.........................................................................................................................20 Fig.................3 Berenji´s ARIC architecture ([8])........................4 The first correctly working algorithm ([4])................................... 2.... 3............4 Fig...................................................................................................................................................................5 neural net with simple processors connected together ([2]).... 2.........1 The first model fuzzy neural network ([8])........6 Fig........................................ 4...................................... 3.....5 Total error for network ([4])..7 Fig..........1 Neural network with one inner neural layer ([9]) .............30 Fig...... 6...... 4.................3 The forward pass (based [10]).............................................................................................36 .............................................................26 Fig.......23 Fig.....................9 Fig..4 The backward pass ([10])............................... 5..... 7........... 5. 3.................................................2 standard ANFIS architecture ([10])........................................... 7.....................2 Gradient method ([4]) ..................................................................................................7 Threshold and Sigmoid function ([3])...2 Fig............................3 The first four letters the alphabet ([4])............15 Fig................................19 Fig............ 2.........16 Fig......................20 Fig................2 Flow chart ANFIS .............................23 Fig............................................14 Fig.12 Fig....6 Fig......................35 Fig...............3 Fig......................1 Flow chart the Neural Network .......... 2..............24 Fig.................................4 The synapse ([2])........6 basic artificial neuron ([3]) ........................2 The second model fuzzy neural network ([8])............ 4.............3 The action potential ([2])..........1 two-input first-order Sugeno fuzzy model ([10])... 2............2 Body function control neurons ([2])............................................................... 2...1 The Hamming window .................LIST FIGURES Fig...... 5.............. 3.......... 5............. 2..1 biological neuron ([2])............................................ 3....................

---

---