Systemy neuronowo-rozmyte

Jacek Łęski

Uzyskaj dostęp

ISBN/ISSN:

978-83-204-3229-9

DOI:

Wydawnictwo:

Wydawnictwo WNT

Rok wydania:

2008

Liczba stron:

728

XML:ISBN/ISSN:

ONIX MARC21

Bibliografia:

Łęski, Jacek. Systemy neuronowo-rozmyte. Red. . Warszawa: Wydawnictwo WNT, 2008, 728 s. ISBN 978-83-204-3229-9

Bibliografia refWorks:

RT Book, Whole

SR Electronic(1)

A1 Łęski, J.

T1 Systemy neuronowo-rozmyte

PB Wydawnictwo WNT

PP Warszawa

YR 2008

SN 978-83-204-3229-9

Bibliografia BibTex:

@Book{ 40371, author = "Łęski, Jacek", editor = "", title = "Systemy neuronowo-rozmyte", publisher = "Wydawnictwo WNT", year = "2008", address = "Warszawa", isbn = "978-83-204-3229-9" }

Bibliografia endNote:

TY - BOOK

AU - Łęski, Jacek

ED -

TI - Systemy neuronowo-rozmyte

PB - Wydawnictwo WNT

CY - Warszawa

PY - 2008

SN - 978-83-204-3229-9

ER -

Netografia (standard APA):

Łęski, Jacek. Systemy neuronowo-rozmyte [baza danych online] Warszawa: Wydawnictwo WNT, 2008 [dostęp: 25 08 2024]. Dostęp w Ibuk Libra: https://libra.ibuk.pl/reader/systemy-neuronowo-rozmyte-jacek-leski-40371.

systemy neuronowe, systemy neuronowo rozmyte

Autor omawia zagadnienia wnioskowania przybliżonego i inteligentnej analizy danych. Przedstawia podstawy teorii zbiorów rozmytych, a także podstawy teorii możliwości i jej powiązania z teorią zbiorów rozmytych.

Plik pdf ma postać skanów co ...

Więcej

ISBN/ISSN:

978-83-204-3229-9

DOI:

Wydawnictwo:

Wydawnictwo WNT

Rok wydania:

2008

Liczba stron:

728

XML:ISBN/ISSN:

ONIX MARC21

Spis rysunków13
Spis tabel21
Przedmowa25
Wykaz oznaczeń i skrótów29
1. Wstęp37
1.1. Cybernetyka38
1.2. Sztuczna inteligencja41
1.3. Sztuczne sieci neuronowe46
1.4. Zbiory rozmyte i teoria możliwości49
1.5. Metody ewolucyjne52
1.6. Obliczenia miękkie54
1.7. Podsumowanie56
1.8. Ważniejsze pojęcia do zapamiętania57
1.9. Uwagi bibliograficzne60
2. Teoria zbiorów rozmytych63
2.1. Pojecie zbioru klasycznego64
2.2. Zbiory rozmyte68
2.3. Interpretacja i wyznaczanie funkcji przynależności71
2.4. Podstawowe pojęcia związane ze zbiorami rozmytymi72
2.5. Operacje na zbiorach rozmytych79
2.6. Podział norm trójkątnych86
2.7. Parametryczne operacje na zbiorach rozmytych88
2.8. Dualność i inne własności norm trójkątnych92
2.9. Zasada rozszerzania93
2.10. Zbiory rozmyte typu-296
2.11. Liczby rozmyte99
2.12. Relacje rozmyte105
2.13. Cylindryczne rozszerzenie i projekcja111
2.14. Miary rozmytości zbioru114
2.15. Rozszerzenia zbiorów rozmytych116
2.16. Podsumowanie121
2.17. Ważniejsze pojęcia do zapamiętania121
2.18. Uwagi bibliograficzne123
3. Teoria możliwości125
3.1. Wprowadzenie126
3.2. Rozkład możliwości126
3.3. Miary możliwości i konieczności130
3.4. Miara rozmyta132
3.5. Wielowymiarowe rozkłady możliwości137
3.6. Brzegowe rozkłady możliwości139
3.7. Pojęcie nieoddziaływania140
3.8. Warunkowe rozkłady możliwości140
3.9. Uszczegółowianie142
3.10. Niezależność w teorii możliwości143
3.11. Teoria możliwości a stwierdzenia w języku naturalnym145
3.11.1. Podział stwierdzeń w języku naturalnym145
3.11.2. Stwierdzenia z modyfikatorami146
3.11.3. Stwierdzenia złożone147
3.11.4. Stwierdzenia z kwantyfikatorami149
3.11.5. Stwierdzenia z rozmytym określeniem stopnia prawdy, prawdopodobieństwa, pewności i możliwości151
3.12. Zgodność i kompatybilność158
3.13. Zmienna lingwistyczna158
3.14. Zmienna werystyczna162
3.15. Podsumowanie166
3.16. Ważniejsze pojęcia do zapamiętania166
3.17. Uwagi bibliograficzne168
4. Wnioskowanie przybliżone171
4.1. Wprowadzenie172
4.2. Logika matematyczna173
4.3. Reguły wnioskowania177
4.4. Logika rozmyta179
4.5. Rozmyte reguły warunkowe180
4.6. Aksjomatyczna definicja implikacji rozmytej183
4.7. Reguły jeżeli-to a teoria możliwości189
4.8. Złożeniowa reguła wnioskowania194
4.9. Reguły wnioskowania rozmytego195
4.10. Kanoniczna postać reguł jeżeli-to198
4.11. Operatory agregacji202
4.12. Wnioskowanie przybliżone na podstawie bazy wiedzy206
4.13. Operacja rozmywania208
4.14. Wnioskowanie przybliżone z rozmywaniem wejść210
4.15. Operacja wyostrzania213
4.16. Równoważność wyników wnioskowania przybliżonego dla różnych interpretacji reguł jeżeli-to217
4.17. Przykład numeryczny wnioskowania przybliżonego222
4.18. Podsumowanie226
4.19. Ważniejsze pojęcia do zapamiętania227
4.20. Uwagi bibliograficzne232
5. Sztuczne sieci neuronowe ? podstawy233
5.1. Wprowadzenie234
5.2. Modele neuronu236
5.3. Rozmyte modele neuronu239
5.4. Struktury sztucznych sieci neuronowych241
5.4.1. Sieci wielowarstwowe nierekurencyjne241
5.4.2. Sieci rekurencyjne242
5.4.3. Sieci o radialnych funkcjach bazowych244
5.5. Uczenie sieci neuronowych245
5.6. Metoda wstecznej propagacji błędów247
5.7. Zdolność uogólniania sieci neuronowej251
5.8. Modyfikacje metody wstecznej propagacji błędów258
5.9. Metody optymalizacji nieliniowej w uczeniu sieci neuronowych263
5.10. Oczyszczanie sieci268
5.11. Sieci neuronowe o wyjściach liniowo zależnych od parametrów270
5.12. Metody optymalizacji globalnej277
5.13. Podsumowanie280
5.14. Ważniejsze pojęcia do zapamiętania281
5.15. Uwagi bibliograficzne283
6. Sztuczne sieci neuronowe ? zagadnienia dodatkowe285
6.1. Sieci neuronowe o radialnych funkcjach bazowych286
6.2. Uogólnione radialne sieci neuronowe288
6.3. Normalizowane radialne sieci neuronowe291
6.4. Falkowe sieci neuronowe294
6.5. Metody uczenia radialnych sieci neuronowych298
6.6. Wektory podtrzymujące w klasyfikacji300
6.7. Wektory podtrzymujące w nieliniowej regresji309
6.8. Konsylium ekspertów312
6.9. Sieci samoorganizujące się314
6.10. Kwantyzacja wektorowa320
6.11. Kwantyzacja wektorowa z uczeniem322
6.12. Podsumowanie324
6.13. Ważniejsze pojęcia do zapamiętania325
6.14. Uwagi bibliograficzne327
7. Metody grupowania danych329
7.1. Przegląd metod grupowania330
7.1.1. Wprowadzenie. Tradycyjne metody grupowania danych330
7.1.2. Grupowanie hierarchiczne334
7.1.3. Grupowanie oparte na teorii grafów338
7.1.4. Dekompozycja funkcji gęstości prawdopodobieństwa340
7.1.5. Grupowanie oparte na minimalizacji funkcji kryterium342
7.2. Rozmyte metody grupowania danych346
7.2.1. Wiadomości wstępne346
7.2.2. Rozmyta metoda c-średnich347
7.2.3. Metoda Gustafsona i Kessela350
7.2.4. Rozmyta metoda c-rozmaitości liniowych352
7.2.5. Rozmyta metoda c-skorup353
7.2.6. Rozmyta metoda c-regresji356
7.2.7. Rozmyta metoda c-median358
7.3. Możliwościowe podejście do grupowania danych361
7.4. Rozmyto-możliwościowe grupowanie danych362
7.5. Warunkowe metody grupowania366
7.6. Rozmyte grupowanie z częściowym nadzorem366
7.7. Rozmyta kwantyzacja wektorowa372
7.8. Entropowe metody rozmytego grupowania374
7.9. Aksjomatyczne podejście do rozmytej kwantyzacji wektorowej375
7.10. Ocena jakości grupowania376
7.11. Podsumowanie380
7.12. Ważniejsze pojęcia do zapamiętania380
7.13. Uwagi bibliograficzne383
8. Obliczenia ewolucyjne385
8.1. Wprowadzenie386
8.2. Pochodzenie i struktura typowego algorytmu ewolucyjnego393
8.3. Reprezentacja osobników399
8.4. Operatory mutacji404
8.5. Operatory mutacji z samoadaptacją406
8.6. Rekombinacja407
8.7. Selekcja413
8.8. Algorytmy genetyczne423
8.9. Programowanie ewolucyjne429
8.10. Strategie ewolucyjne433
8.11. Programowanie genetyczne434
8.12. Rozwiązywanie żądań z ograniczeniami439
8.13. Podsumowanie441
8.14. Ważniejsze pojęcia do zapamiętania441
8.15. Uwagi bibliograficzne444
9. Systemy rozmyte445
9.1. Wprowadzenie446
9.2. System rozmyty Mamdaniego-Assilana448
9.3. System rozmyty Takagi-Sugeno-Kanga453
9.4. System rozmyty z parametrycznymi konkluzjami456
9.5. System rozmyty Tsukamoto464
9.6. Wnioskowanie przybliżone i system rozmyty Baldwina466
9.7. System rozmyty oparty na przedziałowych zbiorach rozmytych471
9.8. Wnioskowanie i systemy rozmyte oparte na podobieństwie zbiorów479
9.9. Systemy rozmyte typu-2482
9.10. Automatyczne wydobywanie bazy wiedzy dla systemów rozmytych491
9.10.1. Klasyfikacja metod automatycznego wydobywania bazy wiedzy491
9.10.2. Metoda Wanga-Mendela495
9.10.3. Metoda Nozaki-Ishibuchi-Tanaki497
9.10.4. Metoda Sugeno-Yasukawy499
9.10.5. Wydobywanie reguł w postaci Takagi-Sugeno-Kanga501
9.10.6. Metoda Chena-Xi-Zhanga505
9.11. Podsumowanie507
9.12. Ważniejsze pojęcia do zapamiętania508
9.13. Uwagi bibliograficzne511
10. Systemy neuronowo-rozmyte513
10.1. Wprowadzenie514
10.2. Równoważność miedzy pewnymi typami systemów rozmytych a radialnymi sieciami neuronowymi518
10.3. System neuronowo-rozmyty Janga521
10.4. Sieć neuronowa z systemem wnioskowania rozmytego opartym na logicznej interpretacji reguł z parametrycznymi konkluzjami528
10.5. Klasyfikator oparty na sieci neuronowo-rozmytej536
10.6. Deterministyczne wyżarzanie w uczeniu sieci neuronowo-rozmytych542
10.7. System neuronowo-rozmyty oparty na rozmytym modelu c-regresji546
10.8. Adaptacyjny system neuronowo-rozmyty Cho-Wanga552
10.9. Globalno-lokalna metoda uczenia systemów neuronowo-rozmytych556
10.10. Uczenie systemów neuronowo-rozmytych oparte na rozmytym grupowaniu warunkowym561
10.11. Inne metody w uczeniu systemów neuronowo-rozmytych564
10.12. Podsumowanie573
10.13. Ważniejsze pojęcia do zapamiętania574
10.14. Uwagi bibliograficzne576
10.15. Dodatek ? System ANBLIR zapisany w MATLAB-ie577
11. Systemy ewolucyjno-rozmyte591
11.1. Wprowadzenie592
11.2. System ewolucyjno-rozmyty oparty na trójetapowej metodzie uczenia596
11.2.1. Wydobywanie zbioru reguł jeżeli-to596
11.2.2. Redukcja bazy wiedzy607
11.2.3. Precyzyjne dobieranie wartości parametrów bazy wiedzy609
11.3. Dwuetapowe ewolucyjne uczenie systemu rozmytego TSK611
11.4. System ewolucyjno-neuronowo-rozmyty z uczeniem opartym na algorytmach genetycznych i metodzie najmniejszych kwadratów617
11.5. Ewolucyjne podejście do uczenia systemów rozmytych oparte na wskaźnikach reguł622
11.6. System ewolucyjno-rozmyty ze zmiennymi typami funkcji przynależności625
11.7. Podsumowanie633
11.8. Ważniejsze pojęcia do zapamiętania633
11.9. Uwagi bibliograficzne635
12. Zastosowania systemów neuronowo-rozmytych637
12.1. Wprowadzenie638
12.2. Identyfikacja modeli rzeczywistości638
12.3. Predykcja szeregów czasowych646
12.4. Klasyfikacja obiektów651
12.4.1. Uwagi ogólne651
12.4.2. Klasyfikacja danych Ripleya652
12.4.3. Rozpoznawanie chorób serca657
12.4.4. Klasyfikacja rozmyta w rozwiązaniu problemów mnicha660
12.5. Korekcja kanału telekomunikacyjnego662
12.6. Sterowanie669
12.7. Podsumowanie677
12.8. Ważniejsze pojęcia do zapamiętania677
12.9. Uwagi bibliograficzne679
13. Zakończenie681
Bibliografia685
Skorowidz715

Wykazoznaczeńiskrótów

xxxv

Orn(ang.Orness)–stopieńalternatywności

PCM(ang.PossiblisticC-Means)–możliwościowametodac-średnich

Pl(ang.Plausibility)–miaradomniemania

QLD(ang.Quasi-LinearDefuzziﬁcation)–quasi-liniowametodawyostrza-

nia

RBFN(ang.Radial-Basis-FunctionNetworks)–siecineuronoweoradial-

nychfunkcjachbazowych

Reb(ang.Rebuff)–miaraodrzucania

RMSE(ang.RootMeanSquaredError)–pierwiastekbłęduśredniokwadra-

towego

RNA(ang.RiboNucleicAcid)–kwasrybonukleinowy

SOM(ang.SmallOfMaxima)–najmniejszyzmaksimów

SV(ang.SupportVector)–wektorpodtrzymujący(podpierający)

SVD(ang.SingularValueDecomposition)–rozkładmacierzywzględem

jejwartościszczególnych

SVM(ang.SupportVectorMachine)–maszynaopartanaSV

SVNN(ang.SupportVectorNeuralNetwork)–siećneuronowaopartanaSV

TSKsystemrozmytyTakagi-Sugeno-Kanga

UMP(ang.GeneralizedModusPonens,GMP)–UogólnionaregułaModus

Ponens

WA(ang.FirstInferThenAggregate,FITA)–Wnioskowanieanastępnie

Agregacja

WFLVQ(ang.WeightedFuzzyLearningVectorQuantization)–ważonaroz-

mytakwantyzacjawektorowazuczeniem

WGFCM(ang.WeightedGeneralizedFuzzyC-Means)–ważonauogólniona

rozmytametodac-średnich

VCVapnik-Czerwonenkis

Ver(ang.Verity)–miaraprawdziwości

VLSI(ang.VeryLargeScaleIntegration)–bardzowielkaskalaintegracji

VQ(ang.VectorQuantization)–kwantyzacjawektorowa

Brak wyników

Systemy neuronowo-rozmyte

Treść książki

Znajdź bibliotekę blisko siebie, i uzyskaj dostęp do ebooka w systemie IBUK Libra