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 56 z 67

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

Jak získat tento dokument?






Poznámky redaktora
This network uses a hybrid learning algorithm, effective combination neural networks and fuzzy inference system while the other two networks are simple neural networks without the benefits fuzzy logic reasoning. Words from Speaker3 were allocated with almost the same accuracy with both adjustments. There was significant difference (~10÷15%) between the efficiency recognition with the neural network depending the analysis parameters while testing with words Speaker1 and Speaker2. For Speaker3, words out of 153 were precisely identified (61,44%) which means more than 15% increase in efficiency benchmark against the neural network. As was presented, both networks performed well recognizing the learned languages especially the ones which came from the same speakers the system was trained with. With the frame length 200 ms, overlaps and cepstral parameters per frame, the ANFIS network precisely identified 140 words out 153 (91,50%) while testing with words Speaker1 and 145 words out of 153 (94,77%) while testing with words Speaker2. The ANFIS network gave the best results exceeding the efficiency neural network with more than 10÷15%. The best results were obtained using the ANFIS network.47 A slight increase efficiency (2,61%) can observed contrast NNV1 while testing with words Speaker3 which means recognition rate words out of 153 (45,75%). . With much bigger training set containing data from various speakers the recognition would more universal terms recognizing the isolated words by unknown speakers