71499

Распознавание образов на базе нейронных сетей

Лабораторная работа

Информатика, кибернетика и программирование

Цель работы: разработать подсистему идентификации сигналов в системе MATLAB. Задание: Разработать подсистему распознавания сигналов. Разработать источники сигналов разной формы. Обучить нейрону сеть и выполнить распознавание сигналов.

Русский

2014-11-07

817.93 KB

19 чел.

МИНОБРНАУКИ РОССИИ

Государственное Образовательное учреждение

Высшего Профессионального Образования

Пензенский государственный технологический университет

Кафедра «Информационные технологии и системы»

Дисциплина «Методы идентификации сигналов и систем»

Отчет по лабораторной работе №5

«Распознавание образов на базе нейронных сетей»

Выполнила: студентка группы 09И

Соляникова Е.А.

Проверил: к.т.н., доцент кафедры ИТС

Жашкова Т.В.

Пенза, 2013 г.

Цель работы: разработать подсистему идентификации сигналов в системе MATLAB.

Задание:

1. Разработать подсистему распознавания сигналов.

2. Разработать источники сигналов разной формы.

3. Обучить нейрону сеть и выполнить распознавание сигналов.

Выполнение:

Программу для считывания 5-ти образцов записи голоса и отсечения нулей.

Листинг:

da = wavread('da.wav');

wavplay (da, 44100)      

da = da(:,1);

 

net = wavread('net.wav');

wavplay (net, 44100)

net = net(:,1);

 

ay = wavread('ay.wav');

wavplay (ay, 44100)

ay = ay(:,1);

 

poka = wavread('poka.wav');

wavplay (poka, 44100)

poka = poka(:,1);

 

cat = wavread('cat.wav');

wavplay (cat, 44100)

cat = cat(:,1);

 

da = da(4805:118519);

net = net(7033:134379);

ay = ay(8140:104448);

poka = poka(5533:131072);

cat = cat(5451:119008);

Разработаем Simulink-модель подсистемы распознавания сигналов, для получения массивов x1, x2, x3, x4 и x5, необходимых для формирования и обучения нейронной сети в дальнейшем.

Рис. 1 - Simulink-модель подсистемы распознавания сигналов.

Рис. 2 - Подсистема, содержащая источники сигналов.

Рис. 3 - Подсистема преобразования сигналов.

Рис. 4 – Параметры блока «Buffer».

Рис. 5 – Параметры блока «Analog Filter Design»

Значение полосы пропускания фильтра, равное 50265.48 рад/с было получено путем умножения средней частоты человеческого голоса, равной 8000 Гц, на 2π.

Рис. 6 – Параметры блока «Zero-Order Hold»

Значение шага дискретизации, равное 0.000625, является обратным к значению частоты дискретизации, равной 8000 Гц и умноженной на 2, т.е. 16000 Гц.

Рис. 7 – Изображения голосовых сигналов в блоке «Scope»

В результате моделирования массивы имеют трехмерную размерность, переводим их к двумерному виду и транспонируем с помощью программы.

Листинг:

z1 = x1(1,:);

z2 = x2(1,:);

z3 = x3(1,:);

z4 = x4(1,:);

z5 = x5(1,:);

z1 = z1';

z2 = z2';

z3 = z3';

z4 = z4';

z5 = z5';

Результат:

Рис. 8 – Полученные массивы z.

В начале массива имеют большое количество нулей, отсекаем их с помощью программы.

Листинг:

z1 = z1 (1026:80896);

z2 = z2 (1026:80896);

z3 = z3 (1026:80896);

z4 = z4 (1026:80896);

z5 = z5 (1026:80896);

Рис. 9 - Массивы z после отсечения нулей.

Меняем размер буфера с 1024 на 79871 (размер обучающих массивов) для того, чтобы обучить нейронную сеть распознавать сигналы по целому слову, т.к. разные слова могут иметь одни и те же буквы и звуки соответственно.

Рис. 10 – Измененный параметр блока «Buffer».

Программа для создания и обучения вероятностной нейронной сети, используя полученные значения массивов z1, z2, z3, z4 и z5.

Листинг:

P = [z1 z2 z3 z4 z5];

T = [1 2 3 4 5];

T_new = ind2vec(T)

T_new = full(T_new)

netset = newpnn(P,T_new);

netset.layers{1}.size

gensim(netset)

 

Результат:

T_new =

  (1,1)        1

  (2,2)        1

  (3,3)        1

  (4,4)        1

  (5,5)        1

T_new =

    1     0     0     0     0

    0     1     0     0     0

    0     0     1     0     0

    0     0     0     1     0

    0     0     0     0     1

ans =     5

Рис.11 - Разработанная вероятностная нейронная сеть.

Рис.12 - Строение разработанной вероятностной нейронной сети.

Копируем блок «Neural Network» и вставляем его в главную модель. Запускаем модель. Сигналы распознаются верно.

Рис. 13 – Распознавание первого голосового сигнала.

Рис. 14 – Распознавание второго голосового сигнала.

Рис. 15 – Распознавание третьего голосового сигнала.

Рис. 16 – Распознавание четвертого голосового сигнала.

Рис. 17 – Распознавание пятого голосового сигнала.


 

А также другие работы, которые могут Вас заинтересовать

46685. Da, wo ich mich wohlfühle 26 KB
  Wir sind in Neubauvierteln groß geworden, mit Cola und Corn-flakes, mit Michael Jackson und „Sesamstraße“. Wir wollten nicht mehr Polizist werden und Prinzessin, sondern Filmstar oder Ölmilliardär. Wir sind mit sieben schon auf Mallorca gewesen und haben die Familie im Stockwerk über uns nicht gekannt. Wir konnten mit zwölf schon Englisch und verstanden Omas Dialekt nicht mehr
46686. Основні характеристики сучасної української літературної мови. Види мовних норм 26 KB
  Основні характеристики сучасної української літературної мови. Основні характеристики мовної норми на сучасному етапі розвитку літературної мови. Літературна мова унормована стандартна правильна з погляду усталених кодифікованих норм форма національної мови що обслуговує культурноосвітні потреби нації виконує консолідуючу функцію шляхом використання у сферах державного управління ЗМІ науки культури та літератури. Мовна норма сукупність найтісніших усталених елементів мови які в процесі історичного розвитку відібрала і закріпила...
46690. Поняття про фразеологію. Типи фразеологізмів 26 KB
  Фразеологізм це стійке сполучення слів побудоване як словосполучення чи речення і характеризується злитістю компонентів цілісністю значення та автоматичною відтворюваністю в мовленні. За ступенем злитості значень слів які входять до фразеологізму їх поділяють на фразеологічні зрощення стійке сполучення слів значення якого не випливає зі значень окремих слів точити ляси піймати облизня; фразеологічні єдності стійке сполучення слів про значення якого можна здогадуватися із значень окремих слів як в рот води набрати;...
46691. Синтаксична норма. Однорідні члени речення, дієприкметникові та дієприслівникові звороти 26 KB
  Однорідні члени речення дієприкметникові та дієприслівникові звороти. Однорідні члени речення це такі члени речення які виконують однакову синтаксичну функцію відносяться до одного й того самого члена речення і поєднуються між собою сурядним зв’язком. Однорідні члени речення рівноправні і не залежать одне від одного. Однорідними можуть бути будьякі і головні і другорядні члени речення.