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.

Vydal: FCC Public s. r. o. Autor: Tamás Ollé

Strana 49 z 67

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

Jak získat tento dokument?






Poznámky redaktora
1.m follows: framestep=20; %ms framelen=25; %ms melfilerbankcount=10; With this setting, one simulation took approximately 700 seconds. a) The network tested with words Speaker1 Actual language Czech English Hungarian ∑ All words 153 Precisely identified words 100 Efficiency 56,86% 78,43% 60,78% 65,36% Imprecisely identified words (instead the actual language) as Hungarian as English as Hungarian as Czech as English as Czech ∑ 15 53 Ratio 29,41% 13,73% 15,69% 5,88% 19,61% 19,61% 34,64% Table 8. total number trains and tests were run with two speakers (Speaker1 and Speaker2) allocate the average error rate while the analysis parameters were set params.9 The results the NNV1 network tested with words Speaker1 . 8.1 The 'NNV' network This section was created using the mentioned algorithms Chapter 3.40 8.1 Network parameters For the training and the testing process the following parameters were set within the NNV network: Number layers: 3 Output function the neuron: sigmoid function Training function: error backpropagation Number epochs: 2000 Threshold: the biggest output the three networks indicates the recognized language Number outputs: 3 The training was done the function netlearn while the testing done by neteval.1. 8.2 Running the simulation After the program was made and its adequate functionality was tested, the next step experimentation with and fine tuning the simulation parameters for optimal results