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

---

---