Роман.
Руководитель: Костюченко Евгений Юрьевич
- Главная
- Разное
- Дизайн
- Бизнес и предпринимательство
- Аналитика
- Образование
- Развлечения
- Красота и здоровье
- Финансы
- Государство
- Путешествия
- Спорт
- Недвижимость
- Армия
- Графика
- Культурология
- Еда и кулинария
- Лингвистика
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Детские презентации
- Информатика
- История
- Литература
- Маркетинг
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Проведённая работа на ГПО. Основы использования нейронной сети презентация
Содержание
- 1. Проведённая работа на ГПО. Основы использования нейронной сети
- 2. Введение Цель нашей работы на данный семестр
- 3. Знакомство с MATLAB На рисунке представлен интерфейс
- 4. Распознавание гласных букв с помощью нейронной сети
- 5. Распознавание гласных букв с помощью нейронной сети
- 6. Распознавание гласных букв с помощью нейронной сети
- 7. Распознавание сказанного числа по голосу с помощью
- 8. Распознавание голосовых сообщений с помощью нейронной сети
- 9. Распознавание сказанного числа по голосу с помощью
- 10. Распознавание сказанного числа по голосу с помощью
- 11. Распознавание сказанного числа по голосу с помощью
- 12. Использование нейронной сети Для дальнейшей
- 13. Использование нейронной сети Выберем базу данных phoneme
- 14. Использование нейронной сети Представим результаты работы нейронной
- 15. Использование Байесовского классификатора Для работы с Байесовским
- 16. Объединение нейронной сети и Байесовского классификатора Ответственные:
- 17. Объединение нейронной сети и Байесовского классификатора Ответственные:
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
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.
