Increasing the efficiency of fuzzy logic and neural network algorithms

A tétel rövid nézete
dc.contributor.advisorFazekas, István
dc.contributor.authorTajti, Tibor Gábor
dc.contributor.departmentInformatikai tudományok doktori iskolahu
dc.contributor.submitterdepDE--Informatikai Kar -- Alkalmazott Matematika és Valószínűségszámítás Tanszék
dc.date.accessioned2020-11-23T22:48:48Z
dc.date.available2020-11-23T22:48:48Z
dc.date.defended2020-12-18
dc.date.issued2020
dc.description.abstractThe dissertation presents new algorithms developed for fast evaluation of fuzzy logic formula trees of Gödel fuzzy logic, Product fuzzy logic, and finally, Łukasiewicz fuzzy logic expressions. The performance evaluation was executed using a flexible expression tree generator with large number of formula trees. New algorithms for increasing the efficiency of neural networks are also presented in the dissertation. First the algorithm for fuzzification of binary class membership values of the training data, followed by the new voting functions and meta voting functions for committee machines. We present the results of the algorithms, developed in our research on neural network algorithms, based on a large number of learning measurements.hu_HU
dc.description.abstractA disszertáció új algoritmusokat mutat be, amelyek a Gödel fuzzy logika, a Product fuzzy logika és végül a Łukasiewicz fuzzy logika formulafáinak gyors kiértékelésére lettek kifejlesztve. A teljesítmény kiértékelését rugalmas kifejezésfa-generátorral végeztük, nagy számú formulával. A dolgozatban új algoritmusokat mutatunk be a neurális hálózat algoritmusok hatékonyságának növelésére is. Először új fuzzifikáló algoritmusunkat a tanulási adatokhoz megadott bináris osztálytagsági értékek korrekciójára, majd a bizottság-gépekhez használható új szavazó függvényeinket és meta szavazó függvényeinket. A neurális hálózat algoritmusok kutatása során kidolgozott algoritmusok eredményeit nagyszámú tanulási mérés alapján mutatja be a dolgozat.hu_HU
dc.format.extent123hu_HU
dc.identifier.urihttp://hdl.handle.net/2437/298927
dc.language.isohuhu_HU
dc.language.isoenhu_HU
dc.subjectmachine learninghu_HU
dc.subjectneural networkshu_HU
dc.subjectcommittee machineshu_HU
dc.subjectensemble methodshu_HU
dc.subjectfast evaluationhu_HU
dc.subjectformula treeshu_HU
dc.subjectfuzzy logichu_HU
dc.subjectmany-valued logichu_HU
dc.subjectpruning algorithmshu_HU
dc.subjectshort-circuit evaluationhu_HU
dc.subjectneurális hálózatokhu_HU
dc.subjectbizottság-gépekhu_HU
dc.subjectformulafákhu_HU
dc.subjectfuzzy logikahu_HU
dc.subjectegyüttes módszerekhu_HU
dc.subjectgyors kiértékeléshu_HU
dc.subjectgépi tanuláshu_HU
dc.subjectrövid-zár kiértékeléshu_HU
dc.subjectsok-értékű logikahu_HU
dc.subject.disciplineInformatikai tudományokhu
dc.subject.sciencefieldMűszaki tudományokhu
dc.titleIncreasing the efficiency of fuzzy logic and neural network algorithmshu_HU
dc.title.translatedFuzzy logika és neurális hálózat algoritmusok hatékonyságának növelésehu_HU
dc.typePhD, doktori értekezéshu
Fájlok
Eredeti köteg (ORIGINAL bundle)
Megjelenítve 1 - 2 (Összesen 2)
Bélyegkép
Név:
Tajti_Tibor_Gabor_PhD_Dissertation.pdf
Méret:
3.43 MB
Formátum:
Adobe Portable Document Format
Leírás:
dissertation
Letöltés
Bélyegkép
Név:
Tajti_Tibor_Gabor_PhD_Thesis_DEA.pdf
Méret:
1.93 MB
Formátum:
Adobe Portable Document Format
Leírás:
short thesis
Letöltés
Engedélyek köteg
Megjelenítve 1 - 1 (Összesen 1)
Nincs kép
Név:
license.txt
Méret:
1.93 KB
Formátum:
Item-specific license agreed upon to submission
Leírás:
Letöltés
Gyűjtemények
Informatikai Tudományok Doktori Iskola