Проведённая работа на ГПО. Основы использования нейронной сети презентация

Содержание

Введение Цель нашей работы на данный семестр – это познакомится с основами использования нейронной сети и наивного байесовского классификатора, а также объединить их с помощью методов оптимизации, чтобы уменьшить ошибку классификации.

Слайд 1Проведённая работа на ГПО
Участники: Световец Дмитрий, Андреева Юлия, Кузнецова Анна, Прокопьев

Роман.
Руководитель: Костюченко Евгений Юрьевич

Слайд 2Введение
Цель нашей работы на данный семестр – это познакомится с основами

использования нейронной сети и наивного байесовского классификатора, а также объединить их с помощью методов оптимизации, чтобы уменьшить ошибку классификации.

Слайд 3Знакомство с MATLAB
На рисунке представлен интерфейс Matlab, всю нашу работу мы

будем выполнять в данной программе.

Слайд 4Распознавание гласных букв с помощью нейронной сети
Для обучения нейронной сети использовались

текстовые файлы, примеры которых можно увидеть на рисунках. Аналогичные файлы использовались и при тестировании.

Ответственная: Андреева Юлия


Слайд 5Распознавание гласных букв с помощью нейронной сети
Ниже приведен фрагмент таблицы с

результатами работы нейронной сети.

Ответственная: Андреева Юлия


Слайд 6Распознавание гласных букв с помощью нейронной сети
На рисунке представлен график, построенный

на основе выходных данных. На нём видно, что итоги классификация в большинстве случаев, оказалась верна (интенсивность ярких цветов скапливается в квадратах на диагонали), но и имеются ошибки в классификации.

Ответственная: Андреева Юлия

По аналогии Кузнецова Анна провела с помощью нейронной сети классификацию чисел от 0 до 9.


Слайд 7Распознавание сказанного числа по голосу с помощью нейронной сети
Ответственный: Световец Дмитрий
Для

обучения нейронной сети подаются записи голосовых сообщений чисел от 0 до 9. MATLAB голосовую запись воспринимает как два столбца, с числом строк зависящий от длины записи.

Число 0 (15872x2)

Числа от 0 до 9 (каждое число по 10 раз)


Слайд 8Распознавание голосовых сообщений с помощью нейронной сети
Ответственный: Световец Дмитрий
Чтобы подать на

вход нейронной сети данный их надо нормализовать, для этого для каждой записи выведем спектрограмму, разделим полученные спектрограммы на матрицу 129х4 (т.е. в каждом таком блоке просуммируем все значения),

Слайд 9Распознавание сказанного числа по голосу с помощью нейронной сети
В итоге для

каждой записи мы получим 4 столбца по 129 числовых значений, запишем все эти значения в строку и получим входные данные для нейронной сети.

Ответственный: Световец Дмитрий


Слайд 10Распознавание сказанного числа по голосу с помощью нейронной сети
На рисунке представлен

результат работы нейронной сети.

Ответственный: Световец Дмитрий


Слайд 11Распознавание сказанного числа по голосу с помощью нейронной сети
На рисунке представлен

график с результатами работы нейронной сети. На нём видно, что классификация с помощью нейронной сети прошла успешно.

Ответственный: Световец Дмитрий

По аналогии Прокопьев Роман провел с помощью нейронной сети классификацию сказанных гласных букв по голосу.


Слайд 12Использование нейронной сети

Для дальнейшей работы с нейронными сетями были использованы

базы данных с репозитория KEEL.

Ответственные: Андреева Юлия, Прокопьев Роман


Слайд 13Использование нейронной сети
Выберем базу данных phoneme для работы с нейронной сетью.

Здесь же приведем таблицу с исходными данными.

Разобьем исходные данные на входы и выходы, подходящие для работы с нейронной сетью.

Ответственные: Андреева Юлия, Прокопьев Роман


Слайд 14Использование нейронной сети
Представим результаты работы нейронной сети в виде таблицы.
Ответственные: Андреева

Юлия, Прокопьев Роман

Слайд 15Использование Байесовского классификатора
Для работы с Байесовским классификатором возьмем базу данных twonorm.

Исходные данные представлены в таблице.

Результат работы Байесовского классификатора:

Ответственные: Кузнецова Анна, Световец Дмитрий


Слайд 16Объединение нейронной сети и Байесовского классификатора
Ответственные: Кузнецова Анна, Световец Дмитрий, Прокопьев

Роман, Андреева Юлия

Объединение классификаций мы проводили с помощью методов оптимизации (искали функцию использование которой даст минимальную ошибку), полученные значения ошибки представлены в таблице 1.


Слайд 17Объединение нейронной сети и Байесовского классификатора
Ответственные: Кузнецова Анна, Световец Дмитрий, Прокопьев

Роман, Андреева Юлия

Затем мы приняли нулевой гипотезой, что доля ошибок при объединении полученных классификаций неотличима от доли ошибок при классификации с помощью нейронной сети, а альтернативная гипотеза заключается в том, что доля ошибок при объединении полученных классификаций меньше сем доля ошибок при классификации с помощью нейронной сети. Результат проверки статистических гипотез представлен на таблице 2.


Обратная связь

Если не удалось найти и скачать презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть 

Что такое ThePresentation.ru?

Это сайт презентаций, докладов, проектов, шаблонов в формате PowerPoint. Мы помогаем школьникам, студентам, учителям, преподавателям хранить и обмениваться учебными материалами с другими пользователями.


Для правообладателей

Яндекс.Метрика