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

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

---

---