The 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.

A 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.