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 46 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

THE SIMULATION Important factor the recording the clarity the recorded signal. A number 153 different words (51 languages) were recorded.1) the data was recorded with sample rate 44.6; *.7; *. The signal was then downgraded into kHz and the system tested with both variations. The wav files each languages were separated with indexes (*.1; *.1 was recorded three times each speaker (Speaker1, Speaker2 and Speaker3) which means total amount 1377 words.37 8. The recorded continuous signal was then split into separate words with sound editor software. Since test simulations with higher quality signal gave better results (with significant difference simulation time), there was doubt which use for further work.9). For this reason, the recording took place a quite environment using portable digital recorder for the best possible sound quality.1 kHz and bit depth bits.1 List recorded words To understand the content the folders used for training and testing the system, here little explanation. .2; *. English Czech Hungarian one spring Katherine jeden jaro Katarína egy tavasz Katalin two summer Suzie dva léto Zuzana kettő nyár Zsuzsanna three fall apple tři podzim jablko három ősz alma four winter grape čtiřy zima hrozno négy tél szőlő five January orange pět leden pomeranč január narancs six February strawberry šest únor jahoda hat február eper seven March corn sedm březen kukuřice hét március kukorica eight April house osm duben dům nyolc április ház nine May garden devět květen záhrada kilenc május kert ten June bicycle deset červen kolo tíz június bicikli Monday Jule umbrella pondělý červenec deštník hétfő július esernyő Tuesday August table uterý srpen stůl kedd augusztus asztal Wednesday Andrew window středa Ondřej okno szerda András ablak Thursday Thomas drum čtvrtek Tomáš buben csütörtök Tamás dob Friday Gabriel violin pátek Gabriel housle péntek Gábor hegedű Saturday George skate sobota Juraj brusle szombat György korcsolya Sunday Peter Christmas neděle Peter vánoce vasárnap Péter karácsony Table 8. Every single word listed in Table 8.4; *. should be clear and noise free possible. Although voice signals with sample rate kHz would be sufficient for speech signal processing (see Chapter 6.1.8 and *.3; *.5; *

---

---