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 63 z 67

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

Jak získat tento dokument?






Poznámky redaktora
design(fdesign.m function pars params( ) s=reshape(s,1,[]); bandpassfilter_struct =..*spectrum)]; end end .3 params.*w; %apply window melspect=melfilterbank(abs(fft(framew)), melfilerbankcount, 100, 4000, fs); %calculate mel spectral coefficients melspectlog=log10(melspect); mfcc=dct(melspectlog); %calculate cepstral coefficients pars [pars; mfcc]; framenum=framenum+1; end pars=reshape(pars,1,[]); end function res melfilterbank( spectrum, f1, f2, fs) f=linspace(0,fs,length(spectrum)); melf=logspace(log10(f1), log10(f2), n+2); %border frequencies %calculate coefficients for each filter bank sequentially and apply it res=[]; for i=2:n+1 coeff1 (f-melf(i-1))/(melf(i)-melf(i-1)); coeff2 (f-melf(i))/(melf(i)-melf(i+1)); coeff min(coeff1, coeff2); coeff(coeff<0)=0; res [res sum(coeff.bandpass('n,f3dB1,f3dB2',8,100,4000,fs),'butter'); sf=filter(bandpassfilter_struct, s); framestep=20; %ms framelen=25; %ms melfilerbankcount=10; %number cepstral parameters framelensamp=floor(framelen/1000*fs); %number samples frame w hamming(framelensamp)'; %frame window pars=[]; framenum=0; while 1 framestart=floor(framenum*framestep/1000*fs+1); frameend=framestart+framelensamp-1; if frameend>length(s) break; end frame=sf(framestart:frameend); %current frame framew=frame.54 A.