Klasifikace vzorů pomocí fuzzy neuronových sítí

| Kategorie: Diplomové, bakalářské práce  | Tento dokument chci!

Práce popisuje základy principu funkčnosti neuronů a vytvoření umělých neuronových sítí. Je zde důkladně popsána struktura a funkce neuronů a ukázán nejpoužívanější algoritmus pro učení neuronů. Základy fuzzy logiky, včetně jejich výhod a nevýhod, jsou rovněž prezentovány. Detailněji je popsán algoritmus zpětného šíření chyb a adaptivní neuro-fuzzy inferenční systém. Tyto techniky poskytují efektivní způsoby učení neuronových sítí.

Strana 39 z 67

Vámi hledaný text obsahuje tato stránku dokumentu který není autorem určen k veřejnému šíření.

Více info o tomto dokumentu zde!

Jak získat tento dokument?

Poznámky redaktora

Because that, necessary use cepstral transformation. This method also used because that simpler than similar methods with comparable results.3) . Imitation this behavior during signal processing leads better results recognition.        1 700 log2595 10 f  (6.1 The Hamming window 6.1.0)( N n n   (6.2 Analysis using filter banks The frequency intervals that the human ear can distinguish are nonuniformly distributed across the entire audio spectrum. Furthermore the results of this transformation are convolued with triangular Mel scale filters (6. For filter banks implementation necessary transform the speech signal frame into frequency domain using Fourier transformation. 6. The disadvantage of this method that the amplitudes individual filter banks are highly correlated.30 Hamming window used most the cases due its simplicity calculation which applied each sample the given frame:         1 2 cos46.054.2) where number samples the window Fig.3). This means that each Fourier transform coefficient multiplied the corresponding value the filter and the results are saved

---

---