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 8 z 67

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

Jak získat tento dokument?






Poznámky redaktora
......3 Berenji´s ARIC architecture ([8])......... 2............... 2......................5 Fig........26 Fig....... 3.........................................................6 Fig.......1 two-input first-order Sugeno fuzzy model ([10])...........2 Gradient method ([4]) .............................................. 2...................19 Fig............2 standard ANFIS architecture ([10]).......................... 4.....4 Fig............................................ 6.....14 Fig.................................. 2....................6 basic artificial neuron ([3]) .............................2 Flow chart ANFIS ..23 Fig.......... 2................1 The Hamming window .. 3..................... 7.............4 The backward pass ([10])........................................................2 Body function control neurons ([2]).1 Neural network with one inner neural layer ([9]) ...................... 5........................ 5.....1 biological neuron ([2])..........................................4 The first correctly working algorithm ([4])............30 Fig................................................................................................................................16 Fig.............7 Fig.........................6 Fig....................................... 5.15 Fig.............................................5 neural net with simple processors connected together ([2]).................1 The first model fuzzy neural network ([8]).................20 Fig.........................................................LIST FIGURES Fig................................2 The second model fuzzy neural network ([8])........................................3 The forward pass (based [10])......................................3 The first four letters the alphabet ([4])................12 Fig...............................5 Total error for network ([4])................................................... 4................2 Fig.............1 Flow chart the Neural Network ..................3 The action potential ([2])...4 The synapse ([2]).................. 2...............20 Fig...............24 Fig.........................9 Fig........7 Threshold and Sigmoid function ([3])............ 4.......23 Fig.................. 3.......................3 Fig....................................................................................... 3.........35 Fig..................36 .... 3................................................................................ 2............... 5...................... 7..........................................................