Autor: Krzysztof Cpałka

ISBN:[zasłonięte]978-83434-65-9

Ilość stron: 216

Data wydania: 10/2009

W życiu codziennym często można się spotkać ze zjawiskami i pojęciami, które mają charakter wieloznaczny i nieprecyzyjny. Posługując się klasyczna teorią zbiorów i logiką dwuwartościową, trudno jest formalnie opisać takie zjawiska i pojęcia.

Wówczas z pomocą przychodzi teoria zbiorów rozmytych.

Rozdziały:

1. Wprowadzenie

2. Wybrane zagadnienia z teorii zbiorów rozmytych
2.1. Wprowadzenie
2.2. Podstawowe definicje teorii zbiorów rozmytych
2.3. Parametryzowane normy trójkątne
2.4. Miękkie normy trójkątne
2.5. Ważone normy trójkątne
2.6. Przełączane normy trójkątne
2.7. Hybrydowe elastyczne normy trójkątne
2.8. Uwagi

3. Elastyczne systemy neuronowo-rozmyte
3.1. Wprowadzenie
3.2. Nieelastyczne systemy neuronowo-rozmyte
3.3. Elastyczne systemy neuronowo-rozmyte z przełączanymi normami trójkątnymi
3.4. Elastyczne systemy neuronowo-rozmyte z parametryzowanymi miękkimi normami trójkątnymi
3.5. Elastyczne systemy neuronowo-rozmyte z ważonymi normami trójkątnymi
3.6. Inicjalizacja i gradientowe algorytmy uczenia elastycznych systemów neuonowo-rozmytych
3.7. Inicjalizacja i ewolucyjne algorytmy uczenia elastycznych systemów neuronowo-rozmytych
3.8. Badania symulacyjne
3.9. Uwagi

4. Nowe elastyczne systemy neuronowo-rozmyte z nową metodą wyostrzania
4.1. Wprowadzenie
4.2. Postać struktury systemów neuronowo-rozmytych z nową metodą wyostrzania
4.3. Inicjalizacja i gradientowe algorytmy uczenia elastycznych systemów neuronowo-rozmytych z nową metodą wyostrzania
4.4. Inicjalizacja i ewolucyjne algorytmy uczenia elastycznych systemów neuronowo-rozmytych z nową metodą wyostrzania
4.5. Badania symulacyjne
4.6. Uwagi

5. Nowe algorytmy zwiększania interpretowalności systemów neuronowo-rozmytych
5.1. Wprowadzenie
5.2. Metoda kolejnych eliminacji
5.3. Metoda najkorzystniejszych eliminacji lokalnych
5.4. Metoda najkorzystniejszych eliminacji globalnych
5.5. Metoda kolejnych scaleń
5.6. Badania symulacyjne
5.7. Uwagi

6. Nowa metodologia automatycznego doboru struktury elastycznych systemów neuronowo-rozmytych
6.1. Wprowadzenie
6.2. Automatyczny dobór rodzaju elementów składowych struktury
6.3. Automatyczny dobór wymiarów modelu lingwistycznego
6.4. Automatyczny dobór komponentów algorytmu
6.5. Badania symulacyjne
6.6. Uwagi

7. Podsumowanie
Sposób wyznaczania funkcji pochodnych w gradientowych algorytmach uczenia