отчет. Н. Ф. Гусарова, Н. В

• Название: Н. Ф. Гусарова, Н. В
• Анкор: отчет
• Дата: 19.02.2022
• Размер: 2.27 Mb.
• Имя файла: 2536.docx
• Тип: Документы; #367348
• страница: 11 из 19

Выводы

При применении первого алгоритма мы выявили признаки, которые влияют на систему, но не дают достаточной точности при вычислении. В исследовании с применением второго алгоритма непосредственное значе- ние важности признаков упало, но точность стала достаточной для заклю- чения о качестве работе алгоритма. Некоторые признаками, проявились при исследовании влияния дважды. Из значимых признаков были выделены следующие:

• 
  отношение гармоник к шуму на высоких частотах 0-3500 Гц и 0-3800 Гц (HNR38 и HNR35);
  

Гармоника – это элементарная составляющая сложного гармониче- ского колебания (сигнала). Отношение "сигнал/шум" – это отношение сред- неквадратического значения величины входного сигнала к среднеквадрати- ческому значению величины шума, выраженное в децибелах, данное значе- ние позволяет определить долю шума в измеряемом сигнале по отношению к полезному сигналу.

• 
  высота тона и производная этого значения (MFCC11 и Delta11).
  

Данный параметр измеряется в психофизических единицах высоты звука Мел. Он основан на статистической обработке большого числа данных о субъективном восприятии высоты звуковых тонов. С помощью формулы перевода можно преобразовать значение частоты звука (Гц) в значение вы- соты (мел). График данной зависимости имеет экспоненциальную форму, поэтому производная данной характеристики также выделяется значимым

параметром, влияющим на систему, ведь при экспонента мало изменяюща- яся функция.

КОНТРОЛЬНЫЕ ВОПРОСЫ

1. 
   Как деревья решений, так и глубокие нейронные сети являются нелиней- ными классификаторами, т. е. они разбивают пространство посредством сложной границы решений. Почему в таком случае модель дерева решений настолько интуитивно понятнее глубокой нейронной сети?
   
2. 
   Чем отличаются алгоритмы деревья решения от других алгоритмов клас- сификации?
   
3. 
   Опишите достоинства и недостатки решающих деревьев?
   
4. 
   Что такое решающее дерево?
   

ПРАКТИЧЕСКАЯ РАБОТА №4.

НЕЙРОСЕТЕВОЕ РАСПОЗНАВАНИЕ ПЕЧАТНЫХ

СИМВОЛОВ

ОСНОВНЫЕ ТЕОРЕТИЧЕСКИЕ СВЕДЕНИЯ

1. 
   Подготовка эталонных образов
   

Набор эталонных образов задается преподавателем. Примером такого набора является последовательность из десяти цифр от 0 до 9. В этом примере число образов M=10. В случае, когда каждый класс образов харак- теризуется лишь своим эталоном, имеем число классов, также равное M.

Каждый образ формируется в виде графического файла в битовом формате. Тип файла (расширение) определяется используемыми в среде MATLAB типами графических файлов. Рекомендуется использовать расши- рение tif.

Для создания графических файлов образов удобно использовать среду “AdobePhotoshop”. В этом случае при создании каждого файла необ- ходимо проделать следующую последовательность операций:

1. 
   создать новый файл, задав его параметры:
   
   • 
     имя : XXXX;
     
   • 
     ширина: N1 пикселей;
     
   • 
     высота: N2 пикселей;
     
   • 
     цветовой режим: битовый формат. При этом значения N1, N2=8…20 задаются преподавателем.
     
2. 
   используя инструменты типа «Кисть», «Ластик» и др. создать требуемый образ символа.
   
3. 
   с помощью команды «Сохранить как» сохранить созданный образ в виде файла типа tifв заданной преподавателем папке.
   

На рис. 4.1 приведены примеры графических символов цифр при

N1=10, N2=12 пикс.








Рис. 4.1. Примеры графических символов цифр