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

24 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

48669. Расчет цифровой логической КМОП микросхемы серии КР1554 413.5 KB
  В момент времени to выхода вершины несорбирующегося компонента Zo сигнал с выхода пикового детектора 6 устанавливает триггер 27 в единичное состояние. Высокий потенциал с его прямого выхода запускает тактовый генератор импульсов 10. В момент времени выхода вершины пика компонента Z сигнал с выхода пикового детектора 6 поступает на вход установки в ноль триггера 19. Высокий потенциал с его инверсного выхода поступает на один из входов элемента И 7.
48670. Система электроснабжения района города, расположенного в Пермской области 1.03 MB
  Рассмотрим 2 варианта формирования сети 10 кВ схема с питанием непосредственно от источника питания и вариант с сооружением РТП. Определение места расположения РТП проводится по формулам. РТП см м Xтп 14.38 Таким образом целесообразное место организации РТП это подстанция.
48671. Кредитування підприємств в сучасних умовах розвитку економіки 138.5 KB
  Для регулювання діяльності комерційних банків Національний Банк України визначає для них такі економічні нормативи: мінімальний розмір статутного фонду; граничне співвідношення між розміром власних коштів банку і сумою його активів; показники ліквідності балансу. Визначається в процентному відношенні до загальної суми власних коштів банку. У разі систематичного недотримання комерційними банками цього законодавства Центральний банк може: ставити перед засновниками комерційного банку питання про здійснення заходів з фінансового...
48672. Игра Артиллерийская дуэль 195.5 KB
  Одинаковые кубики лежат в прямоугольной коробке. Каждый кубик окрашен в шесть цветов, по числу граней. Дно коробки разделено на квадраты. В каждом квадрате, кроме одного, лежит по кубику. За счет свободной ячейки кубики можно последовательно перекатывать из квадрата в квадрат. Вынимать и переворачивать кубики не разрешается.
48673. Модель регулятора уровня жидкости 99 KB
  Подводящая и отводящая труба объекты одного класса TTube. Верхний и нижний датчик объекты одного класса TSensor. Поэтому вводится понятие модели объект Relity класса TRelity. При этом отпадает необходимость в наличии класса TSignl.
48674. Определение стоимости поставок товара на склад 501 KB
  Структура проектируемой базы данных. Создание базы данных программными средствами. Создание базы данных Создание модуля данных
48676. Исследование прохождения сигналов через линейную электрическую цепь 417.5 KB
  Произвести нормирование параметров и переменных цепи. Составить уравнения состояния цепи. Определить переходную характеристику цепи для реакции используя: а аналитический; б численный расчет. Оценить время переходного процесса в цепи по 5 критерию от .