|
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.
m
function inp, tgt wavload( traindir, ~)
% load wavs from dir and convert parameters
siglen 0./(sum(tres,2)*[1 1]),'stacked','DisplayName','tres ratios');
xlim([0 1]);
legend('czech','hungarian','english');
%%
toc;
fprintf('End.wav']);
[~,Fs]=wavread([traindir '\' files(1). prefix 'c,h,e') target
for i=1:length(files) %process every file dir
[inp_tmp,Fs]=wavread([traindir '\' files(i).name(1); %determine target vector
if (lang 'c')
tgt [tgt; 0];
elseif (lang 'h')
tgt [tgt; 0];
elseif (lang 'e')
tgt [tgt; 1];
else
tgt [tgt; 0];
end
end
end
.2 wavload.53
case 'nnv'
tres neteval(nnet, tinp); %network testing with test data
end
figure(1);
colormap(summer);
tres(tres<0)=0;
barh(tres.7; %s
files dir([traindir '\*.name]);
if length(inp_tmp)<siglensamp %make every signal the same
length
inp_tmp(siglensamp)=0;
else
inp_tmp=inp_tmp(1:siglensamp);
end
inp_tmp inp_tmp max(max(abs(inp_tmp))); %amplitude normalization
inp_tmp awgn(inp_tmp,20,'measured');
p=params( inp_tmp, %calculate parameters
inp(end+1,1:length(p)) p;
lang=files(i).name]);
siglensamp floor(siglen*Fs);
inp=[]; %input signals
tgt=[]; %according languages(acc.\n');
A
