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 62 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

\n'); A./(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).m function inp, tgt wavload( traindir, ~) % load wavs from dir and convert parameters siglen 0.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(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 .53 case 'nnv' tres neteval(nnet, tinp); %network testing with test data end figure(1); colormap(summer); tres(tres<0)=0; barh(tres.name]); siglensamp floor(siglen*Fs); inp=[]; %input signals tgt=[]; %according languages(acc. prefix 'c,h,e') target for i=1:length(files) %process every file dir [inp_tmp,Fs]=wavread([traindir '\' files(i).2 wavload.7; %s files dir([traindir '\*

---

---