توضیحات
In this book a neural network learning method with type-2 fuzzy weight adjustment is proposed. The mathematical analysis of the proposed learning method architecture and the adaptation of type-2 fuzzy weights are presented. The proposed method is based on research of recent methods that handle weight adaptation and especially fuzzy weights.The internal operation of the neuron is changed to work with two internal calculations for the activation function to obtain two results as outputs of the proposed method. Simulation results and a comparative study among monolithic neural networks, neural network with type-1 fuzzy weights and neural network with type-2 fuzzy weights are presented to illustrate the advantages of the proposed method.The proposed approach is based on recent methods that handle adaptation of weights using fuzzy logic of type-1 and type-2. The proposed approach is applied to a cases of prediction for the Mackey-Glass (for =17) and Dow-Jones time series, and recognition of person with iris biometric measure. In some experiments, noise was applied in different levels to the test data of the Mackey-Glass time series for showing that the type-2 fuzzy backpropagation approach obtains better behavior and tolerance to noise than the other methods.The optimization algorithms that were used are the genetic algorithm and the particle swarm optimization algorithm and the purpose of applying these methods was to find the optimal type-2 fuzzy inference systems for the neural network with type-2 fuzzy weights that permit to obtain the lowest prediction error.
————————————————————–
ترجمه ماشینی :
در این کتاب یک روش یادگیری شبکه عصبی با تنظیم وزن فازی نوع 2 ارائه شده است. تجزیه و تحلیل ریاضی معماری روش یادگیری پیشنهادی و تطبیق وزنهای فازی نوع 2 ارائه شده است. روش پیشنهادی مبتنی بر تحقیقات روشهای اخیر است که به سازگاری با وزن و به ویژه وزن فازی می پردازند. عملکرد داخلی نورون به کار با دو محاسبات داخلی برای عملکرد فعال سازی تغییر می یابد تا دو نتیجه به عنوان خروجی روش پیشنهادی بدست آید. نتایج شبیه سازی و یک مطالعه تطبیقی در بین شبکه های عصبی یکپارچه ، شبکه عصبی با وزن فازی نوع 1 و شبکه عصبی با وزن فازی نوع 2 برای نشان دادن مزایای روش پیشنهادی ارائه شده است. رویکرد پیشنهادی بر اساس روشهای اخیر است که به سازگاری می پردازند وزن با استفاده از منطق فازی نوع 1 و نوع 2. رویکرد پیشنهادی برای موارد پیش بینی برای سریال های مکی-شیشه ای (برای = 17) و سری زمانی Dow-Jones و شناخت شخص با اندازه گیری بیومتریک IRIS اعمال می شود. در برخی از آزمایشات ، سر و صدا در سطوح مختلف به داده های آزمون سری زمانی شیشه ای مکی اعمال شد تا نشان دهد که روش بازگشت فازی نوع 2 رفتار و تحمل بهتری نسبت به سایر روشها به دست می آورد. الگوریتم های بهینه سازی که استفاده شده اند الگوریتم ژنتیکی و الگوریتم بهینه سازی SWARM ذرات و هدف استفاده از این روشها ، یافتن سیستم های استنتاج فازی بهینه 2 برای شبکه عصبی با وزن فازی نوع 2 بود که اجازه می دهد کمترین خطای پیش بینی را بدست آورید.
tag : دانلود کتاب الگوریتم جدید Backpropagation با وزن فازی نوع 2 برای شبکه های عصبی , Download الگوریتم جدید Backpropagation با وزن فازی نوع 2 برای شبکه های عصبی , دانلود الگوریتم جدید Backpropagation با وزن فازی نوع 2 برای شبکه های عصبی , Download New Backpropagation Algorithm with Type-2 Fuzzy Weights for Neural Networks Book , الگوریتم جدید Backpropagation با وزن فازی نوع 2 برای شبکه های عصبی دانلود , buy الگوریتم جدید Backpropagation با وزن فازی نوع 2 برای شبکه های عصبی , خرید کتاب الگوریتم جدید Backpropagation با وزن فازی نوع 2 برای شبکه های عصبی , دانلود کتاب New Backpropagation Algorithm with Type-2 Fuzzy Weights for Neural Networks , کتاب New Backpropagation Algorithm with Type-2 Fuzzy Weights for Neural Networks , دانلود New Backpropagation Algorithm with Type-2 Fuzzy Weights for Neural Networks , خرید New Backpropagation Algorithm with Type-2 Fuzzy Weights for Neural Networks , خرید کتاب New Backpropagation Algorithm with Type-2 Fuzzy Weights for Neural Networks ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.