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
.....................2 Fig......15 Fig................................19 Fig..............2 The second model fuzzy neural network ([8])....... 5......20 Fig................4 The first correctly working algorithm ([4]).............................................7 Threshold and Sigmoid function ([3])................................1 biological neuron ([2]).........................................1 The first model fuzzy neural network ([8])............................................. 2....................................... 5... 3.........9 Fig.............................5 Total error for network ([4])........................................5 neural net with simple processors connected together ([2])..................... 3........................................................................................5 Fig............................. 3. 2.. 4............................................16 Fig.... 7...................20 Fig.........7 Fig. 3..........................3 Fig....... 5...... 2....................... 5..........................26 Fig...................3 The first four letters the alphabet ([4])..................2 Flow chart ANFIS ................................................................ 4............................................. 2.................................14 Fig.......3 The forward pass (based [10])...............................4 Fig..................................... 2........................3 Berenji´s ARIC architecture ([8]).....35 Fig..........................LIST FIGURES Fig..................................................6 basic artificial neuron ([3]) ............................................................3 The action potential ([2])........30 Fig... 2.... 3............. 4.6 Fig.......................1 The Hamming window ......................1 Flow chart the Neural Network ................36 .............................................................1 Neural network with one inner neural layer ([9]) .................. 7...................... 2............................12 Fig.......................2 Body function control neurons ([2])............................................1 two-input first-order Sugeno fuzzy model ([10])..............................................................4 The backward pass ([10]).6 Fig.24 Fig.............................................................................2 standard ANFIS architecture ([10]).............23 Fig....................................................2 Gradient method ([4]) ..4 The synapse ([2])...23 Fig................................ 6...