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