БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

НАУЧНО-ПРАКТИЧЕСКИЕ КОНФЕРЕНЦИИ

<< ГЛАВНАЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ

загрузка...

Pages:     | 1 |   ...   | 8 | 9 || 11 | 12 |   ...   | 28 |

«ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И СИСТЕМЫ Труды Третьей международной научной конференции Банное, Россия, 26 февраля — 2 марта 2014 года Научное электронное издание Челябинск ...»

-- [ Страница 10 ] --

представления указанного выше описания в кибернетическом аспекте. Однако, приведенные выше модели, содержат кибернетические свойства в неявной форме. Для определения структуры системы, как объекта управления, необходимо произвести Интеллектуальная поддержка управления различкластеризацию атрибутов на четыре класса: вход- ными сложными системами, как правило, основана ные, выходные, управляющие атрибуты и атрибуты на развитии традиционных средств анализа, оперимеханизма исполнения в соответствии с методологи- рующих данными, которые представлены в виде табей системного моделирования. Следующей задачей лиц реляционной базы данных. Для анализа, инфорявляется формирование обучающей статистики, ко- мации в этих случаях, наиболее удобным способом торая в нечеткой форме представлена в хранилищах ее представления является многомерная модель или множественных типов данных. Типичный формаль- гиперкуб, каждым ребром которого является соотный нейрон производит простейшую операцию — ветствующая ему последовательность значений одвзвешивает значения своих входов со своими же ного из анализируемых параметров (используемая в локально хранимыми весами и производит над их качестве измерения). На пересечениях осей измересуммой нелинейное преобразование. Данные ста- ний располагаются данные, количественно характетистики требуется представлять в количественной ризующие анализируемые факты — меры. В модели форме определяющих последовательности знаков и присутствует неопределенность, которую необходицифр, взятых из некоторого конечного алфавита и их мо учитывать, а сами границы между пространствавозможных численных значений, в виде зависимостей ми данных могут быть плавающими. Такой подход осуществляющих преобразования входных данных к организации данных сложных систем открывает V в выходные Y посредством разделения V на части возможность нейроуправления. Для нечетких нейv1, v2,..., vN, выполнения над которыми некоторой по- ронных сетей можно предложить различные алгоследовательности операций (функций или процессов) ритмы обучения от аналога метода обратного расF = {f1, f2,..., fN} для получения результатов y1, y2,..., yN, пространения ошибки, до генетических алгоритмов и формирования на их основе выходных данных. [2;

3]. Сущность обучения состоит в подстройке Определение и построение данной подстановки весов нейронов по примерам обучающей выборки.

аналитическими средствами встречает сложности: Эффективность использования нейронных сетей как правило эти зависимости разнородные, неде- устанавливается рядом так называемых теорем о терминированные, не являются стационарными, не полноте, смысл которых сводится к тому, что любая обладают свойствами эргодичности и т. д. Поэтому непрерывная функция на замкнутом ограниченном прямое применение аналитических методов требует множестве может быть равномерно приближена функциями, вычисленными нейронными сетями, индекс соответствия срезу, который в свою очередь при выполнении некоторых достаточно легко реа- представляет итоговую степень принадлежности к лизуемых условий. Теоретической базой для этого нечетким множествам измерений и фактов, участвуслужат функциональная, структурная, объектная и ющих в сечении куба, и рассчитывается для каждой концептуальная методологии анализа предметной записи набора данных (рис. 1). Для формализации области, реализуемые соответствующими техноло- предметной области, первичными являются категогиями программирования. Применение нейронных рии объектов и отношения между ними. Характерисетей в системах управления обусловлено тем, что стику объекта можно представить в виде множества они могут реализовывать произвольные функции любой сложности, в т. ч. и не гладкие. При реализации нейронных сетей в виде специализированных соответствующих атрибутов. Значения разбиваются интегральных схем также возможна параллельная на классы объектов, которые взаимодействуют друг Несмотря на развитость и завершенность перечисленных методологий, не устраненным остается семантический разрыв между содержательными представлениями о предметной области и теми средствами, которые служат для выражения этих представле- нии достижения поставленных целей», «проекты вений в виде формальных спецификаций [1]. Перспек- дутся согласно директивам», «проекты реализуются тивными для моделирования могут оказаться новые в соответствии с планами», «проекты остаются жизтипы нейронных сетей, в основу модели которых по- неспособными»}. Тогда любое правило оценки моложена идея использования нечетких статистик для определения параметров функций принадлежности, мальное определение объекта в виде следующего которые лучше всего соответствуют некоторой сис- кортежа компонентов:

моделирования предметной области для построения нейросетевой структуры Одна из основных сложностей при разработке модели предметной области состоит в том, что число возможных аспектов формализации предметной области бесконечно. Для сокращения семантического разрыва между различными аспектами необходимо повышение уровня абстракции модели, что напрямую связано с проблемой описания семантики предметной области в целом [1]. Речь идет об описании свойств отношений между математическими объектами, не зависящими от внутренней структуры объектов, т. е. использование теории категорий. Для систем с неполной информацией и высокой сложностью объекта управления оптимальными являются нечеткие методы управления (нечеткие системы управления и нечеткие нейронные сети) [2].

Нечеткая нейронная сеть — это многослойная нейронная сеть, в которой слои выполняют функции элементов системы нечеткого вывода. Очевидно, что совокупность измерений (независимых векторов) может быть использована в качестве базиса многомерного пространства обучения. Структура if (v1 = c1, j ) and... and (vn = cn, j ) хранилища данных как набор моментальных снимков состояния этих данных, позволяющих восстановить картину на любой момент времени. Атрибут времени всегда явно присутствует в структурах данных хранилища. Результатом выполнения нечеткого среза, помимо самого подмножества ячеек гиперкуба, удовлетворяющих заданным условиям, является Г. Г. Куликов, В. В. Антонов, Д. В. Антонов Анализ возможности извлечения аналитических знаний...

Структура нейронной сети Сугэно [2] может быть представлена схемой приведенной на рис. 1.

Слой 1 осуществляет фаззификацию, где (aj) — функции принадлежности предпосылок правил. Настраиваемые параметры данного слоя — параметры используемых функций принадлежности.

Слой 2 осуществляет вычисление результирующих функций принадлежности предпосылок нечетких правил.

Слой 3, состоящий из двух нейронов, осуществляет суммирование и взвешенное суммирование выходных сигналов слоя 2. Параметрами данного слоя являются весовые коэффициенты ci. Для определения координат центров могут использоваться алгоритмы обучения где S(k) — значение N-мерного вектора состояния без учителя, помещающие центры радиальных функ- объекта в k-й момент времени, y(k) — значение Vций в центры кластеров обучающих данных. мерного выхода объекта в k-й момент времени. КонСлой 4 реализует операцию деления Y = f1/f2 и не кретная схема управления может быть представлена содержит настраиваемых параметров. в виде модифицированной нейронной системы адапВ таком случае можно рассматривать предметную тивной критики, где в качестве модуля критики исобласть как динамический объект с общей схемой пользуются методы нечеткой логики (рис. 2).

Таким образом может быть предложен формаль- 1. Антонов, В. В. Теоретические и прикладные асный алгоритм построения нечеткой нейросетевой пекты построения моделей информационных систем / модели, включающей следующие этапы: В. В. Антонов, Г. Г. Куликов, Д. В. Антонов. Germany :

– формирование структуры нейросети на основе фор- LAP Lambert Academic Publishing, 2011.

мальной семантической модели предметной области;

2. Васильев, В. И. Интеллектуальные системы управформирование нечетких статистик из хранилища ления. Теория и практика : учеб. пособие / В. И. Васильданных для обучения нейросети в форме нечетких ев, Б. Г. Ильясов. М. : Радиотехника, 2009.

– определение внутренней структуры нейросети и делей и применяемые в них виды знаний / А. В. Клипроверка адекватности построенной модели пред- теры. 2011. № 8. С. 10–17.

Данный подход применим для систем класса WEB- ния / А. Н. Чернодуб, Д. А. Дзюба // Проблемы пропорталов, e-Learning-систем, и др. граммирования. 2011. № 2. С. 79–94.

Г. Г. Куликов, В. В. Антонов, Д. В. Антонов Анализ возможности извлечения аналитических знаний...

ЧАСТОТНЫЙ АНАЛИЗ МЕТОДА ГРАДИЕНТНОГО СПУСКА

В ЗАДАЧАХ ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЙ

И ЛИНЕЙНАЯ ВАРИАЦИЯ

Рассматривается задача восстановления сигнала, искаженного линейным оператором. Функции от двух переменных описываются вариациями двух типов — полной вариацией и линейной вариацией. Полная вариация является метрической характеристикой функции, линейная вариация — топологической характеристикой функции. Рассматривается модель применения метода градиентного спуска и возможность совместного применения градиентного метода с линейной вариацией. Также приводятся результаты вычислительных экспериментов по восстановлению функции, искаженной оператором.

В значительном числе работ, посвященных восстановлению изображений, рассматривается восстановление функции, искаженной действием линейного оператора с помощью различных вариантов метода градиентного спуска [1–4]. В настоящей работе проводится анализ метода градиентного спуска с точки зрения улучшения результатов восстановления за счет применения линейной вариации. Обозначим через u исходное изображение. Пусть A искажающий линейный компактный оператор. Искаженное изображение обозначим через u0, u0 = Au. Рассмотрим задачу восстановления функции по известной функции u0 и известному оператору A. Обозначим через j(u) следующий функционал:

Для того чтобы восстановить функцию u рассмо- ции u(x, y). Через Фu(t) обозначается число регуляртрим следующую вариационную задачу:

диентного спуска [1]. Итерации градиентного метода Опишем переход к случаю дискретной функции.

Через J(uk) обозначается градиент функционала J(u). В функциональном пространстве L2 градиент задается формулой где A* — сопряженный оператор. Числовой коэфметода. Этот параметр выбирается так, чтобы выполНорма — это метрическая характеристика функции называется число компонент связности бинарной диот двух переменных. Непрерывные функции от двух скретной функции k(uij).

переменных также имеют топологическую характери- Определение. Линейной вариацией V(uij) дискретстику — линейную вариацию [6]. В работах Кронрода ной функции u называется следующая сумма:

дующим образом:

Замечание. В дальнейшем всегда будем считать, что если пара (i, j) выходит за пределы области опреАнализ метода градиентного спуска Пусть v L2() — исходная функция и u0 = Av — центрированного горизонтального смаза:

где t — произвольная точка из, — величина смаза.

Замечание. Оператор A является самосопряженФункция rect(t) определяется следующим образом:

Пусть функция v(t) задается формулой Рассмотрим также функцию a(t):

Функции a(t) и rect(t) связаны соотношением Применение оператора A к функции v равносильно свертке v(t) и a(t):

Следовательно, А. Ю. Маковецкий, В. И. Кобер Частотный анализ метода градиентного спуска в задачах восстановления изображений и линейная вариация Рис. 3. Восстановленная дискретная функция u1.

An Introduction to Basic Optimization Theory and Clash2>

Рис. 4. Восстановленная дискретная функция u2k

УСТРАНЕНИЕ ЗАВИСИМОСТИ ОТ ДИКТОРА

И ОТ ВЛИЯНИЯ ПОМЕХ

ПРИ РАСПОЗНАВАНИИ РЕЧЕВЫХ КОМАНД

Рассмотрена задача распознавания речевых команд. Для улучшения качества распознавания предложено преобразовать амплитудные спектры сигналов чужих дикторов к амплитудным спектрам сигналов своего диктора. Также предложено применить эвристический прием, заключающийся в увеличении значений отсчетов амплитудных спектров речевых сигналов на некоторую константу. Приведены результаты экспериментов.

Известно, что система распознавания речевых ко- Для каждого фрагмента речевого сигнала строится манд, обученная на эталонах речевых сигналов своего диктора, устойчиво распознает речевые команды, амплитудного спектра определяются дискретным преопроизнесенные этим диктором. Когда другой диктор объясняется тем, что спектры сигналов чужого диктора сильно отличаются от спектров сигналов своего диктора, на которого настроена система. Таким образом, идентифицированная модель реВ работе предлагается устранить различие спект- чевого сигнала оказывается представленной послеров сигналов чужого и своего дикторов путем прео- довательностью A = {A1, A2, A3,...}, где i-й кратковбразования спектра речевого сигнала чужого диктора ременный спектр представлен своими отсчетами Кроме того, в данной статье рассматривается другая Второй шаг. Генерация. Для устранения различия проблема, не затрагивающая задачи устранения разли- спектров сигналов чужого и своего дикторов примечия спектров чужого и своего дикторов. На практике няется функция преобразования (A, ), где A — кратрезультат распознавания сигналов как своего, так и ковременный амплитудный спектр, — параметр чужого дикторов дополнительно ухудшается шумом. преобразования [2].

Обучающие речевые сигналы обычно являются неза- Мы хотим, чтобы амплитудный спектр A() расшумленными, а тестирующие речевые сигналы оказы- ширялся, если 1, и сжимался, если 1. Для этоваются зашумленными. Присутствие шума приводит го будем искажать ось частот следующим образом:

к сильному отклонению спектров тестирующих речевых сигналов от спектров их эталонов в обучающей выборке. Поэтому качество результата распознавания на фоне шумов резко падает. Если спектр зашумленного сигнала сильно отличается от спектра незашумленного сигнала, то очевидно, что степень связи таких спектров может оказаться достаточно малой.

Для увеличения степени связи в данной работе предлагается увеличивать значения отсчетов амплитудных спектров обоих сигналов на некоторую константу.

Таким образом, предлагается решать задачу распознавания речевых команд выполнением процедуры обработки, шаги которой определены следующим образом.

Первый шаг. Идентификация. Пусть сигнал Y = {y1,..., yT} означает произношение какой-то речевой команды, где T — целое, положительное. Отсчеты yt, t = 1,..., T принимают вещественные значения.

Дискретные отсчеты речевого сигнала обрабатываются фрагментами с определенным периодом L. Для разделения речевого сигнала на фрагменты используется окно Хэмминга, где значения отсчетов в окне определяются по формуле [1] wn = 0,54 – 0,46cos(2(n – 1)/(N + 1)), 1 n N. Таким образом, i-й фрагмент представлен Ч. Т. Нгуен, С. Д. Двоенко Устранение зависимости от диктора и от влияния помех при распознавании речевых команд большой, т. к. при этом устраняется различие в степе- Результаты распознавания для схемы с преобразони связи между похожими и непохожими спектрами. ванием были получены при длине фрагментов речеПосле «усиления» кратковременного амплитудного спектра на величину c 0 получается новая последо- значении параметра = 7/8, если 1, и = 7/(8 ), вательность амплитудных спектров A = {A1, A2, A3,...}, если 1. Задача оптимизации параметра была регде Ai = {A i, 1 k M/2}, A i = Aki + c. Результирующую шена, используя метод золотого сечения [5].

модель сигнала назовем моделью с усилением. По результатам 48 экспериментов оказалось, что Третий шаг. Адекватное восприятие. В роли вос- преобразование спектров чужого диктора к спектрам принимающего и интерпретирующего устройства вы- сигналов своего диктора повышает частоту правильступает система распознавания речевых команд. Будем ного распознавания на 17 %.

считать, что восприятие речевого сигнала является Также были проведены эксперименты по уменьадекватным, если он правильно распознается системой. шению влияния шума на 11 речевых командах из Если сгенерированная модель речевого сигнала базы данных TIDigits 1.0 [4]. Были использованы правильно распознается системой, то процедура за- речевых сигналов (28 сигналов для каждой команды) канчивается. В противном случае она возвращается ко в качестве обучающей выборки. На речевых сигнавторому шагу с другим набором параметров модели. лах обучающей выборки было построено правило Для выполнения этапа адекватного восприятия в дан- классификации 11 речевых команд. Далее были исной работе была построена система распознавания рече- пользованы 528 речевых сигналов (48 сигналов для вых команд на основе скрытых марковских моделей [3]. каждой команды) для составления тестовой выборки.



Pages:     | 1 |   ...   | 8 | 9 || 11 | 12 |   ...   | 28 |
 


Похожие материалы:

«МАТЕРИАЛЫ ВОСЬМОЙ НАУЧНО-ПРАКТИЧЕСКОЙ КОНФЕРЕНЦИИ Перспективные системы и задачи управления Таганрог 2013 Конференция “Перспективные системы и задачи управления” УДК 681.51 Материалы Восьмой Всероссийской научно-практической конференции Перспективные системы и задачи управления. – Таганрог: Изд-во ТТИ ЮФУ, 2013. – 378 с. Издание осуществлено при поддержке Российского фонда фундаментальных исследований, грант № 13-08-06015. ОРГАНИЗАТОРЫ Министерство обороны РФ; Министерство внутренних дел РФ; ...»

«3 Генеральный секретариат IRU 14 Организации-партнеры IRU 18 Автомобильный транспорт 19 Приоритетные задачи IRU: устойчивое развитие 20 Безопасность дорожного движения 20 Инновации 21 Академия IRU 26 Система стимулирования 30 Инфраструктура 32 Приоритетные задачи IRU: содействие развитию торговли, туризма и автотранспорта 34 Общий контекст и вопросы, связанные с торговлей 34 Содействие автомобильным перевозкам и вопросы безопасности 38 4-я Конференция IRU по автотранспортным перевозкам ...»

«08 основные операции 09 Агентство по распределению номеров Интернета 10 Группа DNS 10 Информационные технологии 10 Группа обеспечения безопасности 12 инициативы 13 Новые gTLD 13 Обзор Утверждения обязательств 15 Глобальное сотрудничество 15 Многоязычные доменные имена 16 Оценка строки IDN ccTLD 17 Программа грантов 17 Общественные конференции ICANN 18 Участие и привлечение 18 Программа для новичков ФотограФия на обложкЕ 19 консультативные советы и вспомогательные организации Члены совета ...»

«ИНТЕРВЬЮ с. 6–7 Дик Ватика: Расизм сдерживает развитие СОЦИАЛЬНЫЕ ПРЕОБРАЗОВАНИЯ с. 26 Новый этап в программе ЮНЕСКО МОСТ ДОСЬЕ с. 12–23 Молодежь создает завтрашний мир www.unesco.org/shs/views 2 Июнь/сентябрь 2007 ОТ РЕДАКЦИИ 17 Повышение роли молодежи – путь к устойчивому развитию Жить и видеть ту зарю – блаженство, но быть молодым – это ...»






 
© 2013 www.kon.libed.ru - «Бесплатная библиотека научно-практических конференций»