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

............................. 4...................................................................4 The synapse ([2])........ 3................2 standard ANFIS architecture ([10]).....9 Fig...............................................................26 Fig........20 Fig.............6 Fig..................5 neural net with simple processors connected together ([2])........................................................................... 4.....3 The forward pass (based [10]).......3 The action potential ([2])...........................................16 Fig..............2 The second model fuzzy neural network ([8])............... 3....................................2 Body function control neurons ([2])...............................................................................................3 The first four letters the alphabet ([4])...........................................30 Fig......36 .......23 Fig.......................................4 The backward pass ([10])............ 2...2 Fig.........4 The first correctly working algorithm ([4]).... 5.............................3 Berenji´s ARIC architecture ([8])........................................................7 Fig...........................6 basic artificial neuron ([3]) ................................................................................ 3..1 The first model fuzzy neural network ([8]).....19 Fig. 5.....20 Fig.... 2............................ 7................................................................................15 Fig......................................... 2.2 Flow chart ANFIS ................ 5..... 2.........................12 Fig.......................................................................................1 biological neuron ([2]).............................................................................................LIST FIGURES Fig.........5 Total error for network ([4])......1 two-input first-order Sugeno fuzzy model ([10]).... 3...7 Threshold and Sigmoid function ([3]).....5 Fig.....................6 Fig................................24 Fig....................... 5............................................................................ 3............................23 Fig................ 6...................................2 Gradient method ([4]) ........... 2..........................................3 Fig..................35 Fig... 2............ 4.......14 Fig............. 7......4 Fig.....................1 The Hamming window ..........1 Neural network with one inner neural layer ([9]) ..........1 Flow chart the Neural Network ..... 2.

---

---