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............... 2...........19 Fig................24 Fig..........................................................3 The forward pass (based [10]).................1 The first model fuzzy neural network ([8])..................4 The backward pass ([10]).................................................................................................................. 5.............................35 Fig......... 3....5 neural net with simple processors connected together ([2])...........6 basic artificial neuron ([3]) .......................................7 Threshold and Sigmoid function ([3])......2 Body function control neurons ([2])........... 4..................... 2.. 3.....1 biological neuron ([2])....................... 6........................ 2...........6 Fig..1 The Hamming window .30 Fig...........4 Fig......................23 Fig.....................3 Fig....1 two-input first-order Sugeno fuzzy model ([10]).......2 Fig................................................................................. 5............................................ 3........................................................... 7............................... 2........... 2.....................................................3 The action potential ([2])...................................................................20 Fig........... 3........................ 2.....7 Fig..............................................14 Fig....................................2 Flow chart ANFIS .........................................................16 Fig.............................................9 Fig............................................ 5........................................2 Gradient method ([4]) ................................................................. 5.............26 Fig..........................1 Flow chart the Neural Network .........................3 Berenji´s ARIC architecture ([8]). 2.........................................1 Neural network with one inner neural layer ([9]) ..................................2 The second model fuzzy neural network ([8])....... 4................12 Fig.... 3......3 The first four letters the alphabet ([4])....................................20 Fig......................................................... 7................................LIST FIGURES Fig.....................5 Total error for network ([4])..36 ...........4 The synapse ([2])......................................15 Fig...6 Fig.. 4.2 standard ANFIS architecture ([10])........23 Fig...4 The first correctly working algorithm ([4]).....................

---

---