Алгоритм и методы распознавания речи
|
|
- Станислав Журавский
- 2 лет назад
- Просмотров:
Транскрипт
1 # 06, июнь 2016 УДК Введение Алгоритм и методы распознавания речи Алборова Ж.В., студент Россия, , г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Робототехнические системы и мехатроника» Научный руководитель: Рубцов В.И., к.т.н., доцент Россия, , г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Робототехнические системы и мехатроника» Задача распознавания речи на сегодняшний день является актуальной проблемой. Большинство современных методов, используемых для ее решения, требуют больших вычислительных ресурсов, объем которых часто бывает ограничен. Невозможность широкого применения многих алгоритмов сегодня, например, в мобильных устройствах заставляет исследователей искать более эффективные методы. Постановка задачи Задачей данной работы является описание алгоритма и анализ методов распознавания речи, выявление недостатков каждого из них. Разработка программы по распознаванию речи и проведение эксперимента. Общий алгоритм распознавания связной речи: Исходный сигнал Начальная фильтрация и усиление полезного сигнала Выделение отдельных слов Распознавание слова Распознавание речи Реакция на распознанный сигнал Структурная система модуля распознавания изолированных слов приведена на рис. 1.
2 Рис. 1. Общая схема системы распознавания речи Этапы распознавания: 1. Обработка речи начинается с оценки качества речевого сигнала. На этом этапе определяется уровень помех и искажений. 2. Результат оценки поступает в модуль акустической адаптации, который управляет модулем расчета параметров речи, необходимых для распознавания. 3. В сигнале выделяются участки, содержащие речь, и происходит оценка параметров речи. Происходит выделение фонетических и просодических вероятностных характеристик для синтаксического, семантического и прагматического анализа. (Оценка информации о части речи, форме слова и статистические связи между словами.) 4. Далее параметры речи поступают в основной блок системы распознавания декодер. Это компонент, который сопоставляет входной речевой поток с информацией, хранящейся в акустических и языковых моделях, и определяет наиболее вероятную последовательность слов, которая и является конечным результатом распознавания. Выделяют несколько основных способов распознавания речи: 1. Распознавание отдельных команд раздельное произнесение и последующее распознавание слова или словосочетания из небольшого заранее заданного словаря. Точность распознавания ограничена объемом заданного словаря 2. Распознавание по грамматике распознавание фраз, соответствующих определенным правилам. Для задания грамматик используются стандартные XML-языки, обмен данными между системой распознавания и приложением осуществляется по протоколу MRCP. Молодежный научно-технический вестник ФС , ISSN
3 3. Поиск ключевых слов в потоке слитной речи распознавание отдельных участков речи. Речь может быть как спонтанной, так и соответствующей определённым правилам. Произнесенная речь не полностью преобразуется в текст - в ней автоматически находятся те участки, которые содержат заданные слова или словосочетания. 4. Распознавание слитной речи на большом словаре все, что сказано, дословно преобразуется в текст. Достоверность распознавания достаточно высока. 5. Распознавание речи с помощью нейронных систем. На базе нейронных сетей можно создавать обучаемые и самообучающиеся системы, что является важной предпосылкой для их применения в системах распознавания (и синтеза) речи. а) Представление речи в виде набора числовых параметров. После выделения информативных признаков речевого сигнала можно представить эти признаки в виде некоторого набора числовых параметров (т.е. в виде вектора в некотором числовом пространстве). Далее задача распознавания примитивов речи сводится к их классификации при помощи обучаемой нейронной сети. б) Нейронные ансамбли. В качестве модели нейронной сети, пригодной для распознавания речи и обучаемой без учителя можно выбрать самоорганизующуюся карту признаков Кохонена. В ней для множества входных сигналов формируется нейронные ансамбли, представляющие эти сигналы. Этот алгоритм обладает способностью к статистическому усреднению, что позволяет решить проблему изменчивости речи. в) Генетические алгоритмы. При использовании генетических алгоритмов создаются правила отбора, позволяющие определить, лучше или хуже справляется новая нейронная сеть с решением задачи. Кроме того, определяются правила модификации нейронной сети. Изменяя достаточно долго архитектуру нейронной сети и отбирая те архитектуры, которые позволяют решить задачу наилучшим образом, рано или поздно можно получить верное решение задачи. [2] Системы распознавания речи классифицируются: по размеру словаря (ограниченный набор слов, словарь большого размера); по зависимости от диктора (дикторозависимые и дикторонезависимые системы); по типу речи (слитная или раздельная речь); по назначению (системы диктовки, командные системы); по используемому алгоритму (нейронные сети, скрытые Марковские модели, динамическое программирование); по типу структурной единицы (фразы, слова, фонемы, дифоны, аллофоны);
4 по принципу выделения структурных единиц (распознавание по шаблону, выделение лексических элементов). Для систем автоматического распознавания речи, помехозащищённость обеспечивается, прежде всего, использованием двух механизмов: Использование нескольких, параллельно работающих, способов выделения одних и тех же элементов речевого сигнала на базе анализа акустического сигнала; Параллельное независимое использование сегментного (фонемного) и целостного восприятия слов в потоке речи. Методы и алгоритмы распознавания речи Сегодня системы распознавания речи строятся на основе принципов признания форм распознавания. Методы и алгоритмы, которые использовались до сих пор, могут быть разделены на следующие большие классы: Классификация методов распознавания речи на основе сравнения с эталоном. 1. Динамическое программирование временные динамические алгоритмы (Dynamic Time Warping). Контекстно-зависимая классификация. При её реализации из потока речи выделяются отдельные лексические элементы фонемы и аллофоны, которые затем объединяются в слоги и морфемы. 2. Скрытые Марковские модели (Hidden Markov Model); 3. Нейронные сети (Neural networks). 1. Использование DWT алгоритма в распознавании речи Определение слов с использованием алгоритма DWT Определение слова может осуществляться путем сравнения числовых форм сигналов или путем сравнения спектрограммы сигналов. Процесс сравнения в обоих случаях должен компенсировать различные длины последовательности и нелинейный характер звука. DWT алгоритму удается разобрать эти проблемы путем нахождения деформации, соответствующей оптимальному расстоянию между двумя рядами различной длины.[4] Существуют 2 особенности применения алгоритма: 1. Прямое сравнение числовых форм сигналов. В этом случае, для каждой числовой последовательности создается новая последовательность, размеры которой значительно меньше. Числовая последовательность может иметь несколько тысяч числовых значений, в то время как подпоследовательность может иметь несколько сотен значений. Молодежный научно-технический вестник ФС , ISSN
5 Уменьшение количества числовых значений может быть выполнено путем их удаления между угловыми точками. Этот процесс сокращения длины числовой последовательности не должен изменять своего представления. Несомненно, процесс приводит к уменьшению точности распознавания. Однако, принимая во внимание увеличение скорости, точность, по сути, повышается за счет увеличения слов в словаре. 2. Представление сигналов спектрограмм и применение алгоритма DTW для сравнения двух спектрограмм. Метод заключается в разделении цифрового сигнала на некоторое количество интервалов, которые будут перекрываться. Для каждого импульса, интервалы действительных чисел (звуковых частот), будет рассчитывать Быстрым преобразование Фурье, и будет храниться в матрице звуковой спектрограммы. Параметры будут одинаковыми для всех вычислительных операций: длин импульса, длины преобразования Фурье, длины перекрытия для двух последовательных импульсов. Преобразование Фурье является симметрично связанным с центром, а комплексные число с одной стороны связаны с числами с другой стороны. В связи с этим, только значения из первой части симметрии можно сохранить, таким образом, спектрограмма будет представлять матрицу комплексных чисел, количество линий в такой матрице является равной половине длины преобразования Фурье, а количество столбцов будет определяться в зависимости от длины звука. DTW будет применяться на матрице вещественных чисел в результате сопряжения спектрограммы значений, такая матрица называется матрицей энергии. 2. Применение скрытых Марковских моделей для распознавания речи Скрытой Марковской моделью (СММ) называется модель состоящая из N состояний, в каждом из которых некоторая система может принимать одно из M значений какого-либо параметра. Вероятности переходов между состояниями задается матрицей вероятностей A={aij}, где aij вероятность перехода из i-го в j-е состояние. Вероятности выпадения каждого из M значений параметра в каждом из N состояний задается вектором B={bj(k)}, где bj(k) вероятность выпадения k-го значения параметра в j-м состоянии. Вероятность наступления начального состояния задается вектором π={πi}, где πi вероятность того, что в начальный момент система окажется в i-м состоянии. Таким образом, скрытой Марковской моделью называется тройка λ={a,b,π}. Использование скрытых Марковских моделей для распознавания речи основано на двух приближениях:
6 1) Речь может быть разбита на фрагменты, соответствующие состояниям в СММ, параметры речи в пределах каждого фрагмента считаются постоянными. 2) Вероятность каждого фрагмента зависит только от текущего состояния системы и не зависит от предыдущих состояний. Модель называется «скрытой», так как нас, как правило, не интересует конкретная последовательность состояний, в которой пребывает система. Мы либо подаем на вход системы последовательности типа O={o1,o2, oi} - где каждое oi значение параметра (одно из M), принимаемое в i-й момент времени, а на выходе ожидаем модель λ={a,b,π}с максимальной вероятностью генерирующую такую последовательность, - либо наоборот подаем на вход параметры модели и генерируем порождаемую ей последовательность. И в том и другом случае система выступает как черный ящик, в котором скрыты действительные состояния системы, а связанная с ней модель заслуживает названия скрытой. Для осуществления распознавания на основе скрытых моделей Маркова необходимо построить кодовую книгу, содержащую множество эталонных наборов для характерных признаков речи (например, коэффициентов линейного предсказания, распределения энергии по частотам и т.д.). Для этого записываются эталонные речевые фрагменты, разбиваются на элементарные составляющие (отрезки речи, в течении которых можно считать параметры речевого сигнала постоянными) и для каждого из них вычисляются значения характерных признаков. Одной элементарной составляющей будет соответствовать один набор признаков из множества наборов признаков словаря.[1] Фрагмент речи разбивается на отрезки, в течении которых параметры речи можно считать постоянными. Для каждого отрезка вычисляются характерные признаки и подбирается запись кодовой книги с наиболее подходящими характеристиками. Номера этих записей и образуют последовательность наблюдений O={o1,o2, oi} для модели Маркова. Каждому слову словаря соответствует одна такая последовательность. Далее A матрица вероятностей переходов из одного минимального отрезка речи (номера записи кодовой книги) в другой минимальный отрезок речи (номер записи кодовой книги). В вероятности выпадения в каждом состоянии конкретного номера кодовой книги (рис. 2). Молодежный научно-технический вестник ФС , ISSN
7 Рис. 2. Кодовая книга На этапе настройки моделей Маркова мы применяем алгоритм Баума- Уэлча для имеющегося словаря и сопоставления каждому из его слов матрицы A и B. При распознавании мы разбиваем речь на отрезки, для каждого вычисляем набор номеров кодовой страницы и применяем алгоритм прямого или обратного хода для вычисления вероятности соответствия данного звукового фрагмента определенному слову словаря. Если вероятность превышает некоторое пороговое значение слово считается распознанным. 3. Применение нейронных сетей для распознавания речи Искусственная нейронная сеть это математическая модель, а также устройства параллельных вычислений, представляющие собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Как математическая модель искусственная нейронная сеть представляет собой частный случай методов распознавания образов или дискриминантного анализа. Пример нейросети изображен на рис.3. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.[6] Понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы. Полученные модели называются искусственными нейронными сетями (ИНС).
8 Рис. 3 Схема простой нейросети. Зелёным обозначены входные элементы, жёлтым выходной элемент Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке. Решение задачи распознавания с помощью нейронных сетей обладает значительным преимуществом перед алгоритмами, основанными на вычислении метрик вычислительные затраты не зависят от количества слов в словаре. При увеличении длины словаря увеличивается лишь размер обучающей выборки, то есть нейронной сети требуется затратить больше времени на процесс обучения, но трудоемкость процесса распознавания не изменяется. Такая особенность позволяет оперировать с достаточно большим количеством слов в словарях. Недостатком нейросетевого подхода является отсутствие возможности добавления новых слов в словарь после окончания процесса обучения. Для разрешения этой проблемы может быть применена теория адаптивного резонанса. Нейронные сети, постренные в рамках теории адаптивного резонанса сохраняют пластичность при запоминании новых образов, и, в то же время, предотвращают модификацию старой памяти.[3] Молодежный научно-технический вестник ФС , ISSN
9 Экспериментальная часть Мною была написана программа в среде Matlab и проведены экспериментальные исследования алгоритма распознавания речевых сигналов Стояла задача собрать данные по распознаванию двух слов: «Hello» и «Start». Каждое слово было произнесено пятью. людьми по пять раз. Был установлен шумовой порог, т.к. шумы хоть и были незначительны, но все же могли повлиять на результаты. Результаты статистических данных приведены в таблицах. Алгоритм программы В начале работы на экран выводится главное окно программы. После этого на динамик микрофона подается звуковое сообщение, за который отвечает модуль ввода речевого сигнала. Затем на главном окне пользователь выбирает режим работы программы. Если выбран режим создания эталона, за который отвечает модуль создания база данных (БД) эталонов, то программа обрабатывает и сохраняет входной сигнал с микрофона и выводит спектр на экран. Если же выбран режим распознавания, то программа обрабатывает результаты и сравнивает с заранее записанным эталоном в БД, сохраняет входной сигнал и переходит к его распознаванию с помощью вычисления первой и второй конечной разности полной фазовой функции, т.е. определяем количество звуков в данном слове, что видно из проделанного ранее моделирования, Определяем начало и конец слова с помощью выделения огибающей. Результат распознавания выводится на дисплей. На рис.25 представлен схематический вид программы. Схема изображена ниже.
10 Схема 1. Алгоритм программы Таблица 1 Данные по слову «Hello» Человек 1 Человек 2 Человек 3 Человек 4 Человек 5 Попытка 1 - Попытка 2 - Попытка 3 Попытка 4 Попытка 5 Итого получается, что процент распознавания слова «Hello» равен порядка 79%. Молодежный научно-технический вестник ФС , ISSN
11 Таблица 2 Данные по слову «Start» Попытка 1 Попытка 2 Попытка 3 Попытка 4 Попытка 5 Человек Человек 2 Человек Человек Человек Итого получается, что процент распознавания слова «Hello» равен порядка 83%. Заключение DTW алгоритмы являются очень полезными для распознавания отдельных слов в ограниченном словаре. Для распознавания беглой речи используются скрытые модели Маркова. Использование динамического программирования обеспечивает полиминальную сложность алгоритма: О (n2v), где n длина последовательности, а v количество слов в словаре. DWT имеют несколько слабых сторон. Во-первых, O (n2v) сложность не удовлетворяет большим словарям, которые увеличивают успешность процесса распознавания. Во-вторых, трудно вычислить два элемента в двух разных последовательностях, если принять во внимание, что существует множество каналов с различными характеристиками. Тем не менее, DTW остается простым в реализации алгоритмом, открытым для улучшений и подходящим для приложений, которым требуется простое распознавание слов: телефоны, автомобильные компьютеры, системы безопасности и т.д. Нейронные сети являются одним из наиболее перспективных методов распознавания речи. Данный метод позволяет подобрать топологию нейронной сети под решение конкретной задачи и позволяет оперировать с большим количеством слов в словаре без повышения трудоемкости процесса распознавания. Нейронные сети имеют гибкий аппарат обучения, позволяющий настроить сеть наилучшим образом для решения требуемой задачи. Список литературы [1]. Фланаган Дж.Л. Анализ, синтез и восприятие речи / пер. с англ. А. А. Пирогова. М.: Связь, с. [2]. Кузнецов В., Отт А. Автоматический синтез речи. Таллинн: Валгус, с.
12 [3]. Вишнякова О. А., Лавров Д. Н. Применение преобразования Гильберта-хуанга к задаче сегментации речи // Математические структуры и моделирование вып. 24. С [4]. Динамическое программирование. Режим доступа: (дата обращения ). [5]. Википедия. Нейронная система. Режим доступа: (дата обращения ). [6]. Михайлов В. Г., Златоустова Л. В. Измерение параметров речи. М.: Радио и связь, с. Молодежный научно-технический вестник ФС , ISSN
1. ИСКУСТВЕННЫЕ НЕЙРОННЫЕ СЕТИ. ОБУЧЕНИЕ, ПРОЦЕССЫ ОБУЧЕНИЯ, АЛГОРИТМЫ ОБУЧЕНИЯ. ЗАДАЧИ ОБУЧЕНИЯ
1. ИСКУСТВЕННЫЕ НЕЙРОННЫЕ СЕТИ. ОБУЧЕНИЕ, ПРОЦЕССЫ ОБУЧЕНИЯ, АЛГОРИТМЫ ОБУЧЕНИЯ. ЗАДАЧИ ОБУЧЕНИЯ Искусcтвенные нейронные сети математические модели, а также их программные или аппаратные реализации, построенные
Система голосового управления технологическими комплексами
Система голосового управления технологическими комплексами Рассказова С.И. Цель работы: Разработка системы голосового управления технологическими комплексами. Задачи: Провести анализ речевых сигналов и
Система голосового управления технологическими комплексами
Система голосового управления технологическими комплексами Рассказова С.И. Цель работы: Разработка системы голосового управления технологическими комплексами. Задачи: Провести анализ речевых сигналов и
Электронный научно-практический журнал «МОЛОДЕЖНЫЙ НАУЧНЫЙ ВЕСТНИК» ИЮЛЬ 2016 ТЕХНИЧЕСКИЕ НАУКИ
УДК 004.021 ОБЗОР СИСТЕМ РАСПОЗНАВАНИЯ ГОЛОСА Галимов Р.З. МГТУ им. Н. Э. Баумана, кафедра «Системы обработки информации и управления» E-mail: delfin1995@rambler.ru В работе приводится история систем распознавания
Распознавание голосовых команд с помощью самоорганизующейся нейронной сети Кохонена
Распознавание голосовых команд с помощью самоорганизующейся нейронной сети Кохонена Кладов Станислав Александрович, ИУ7-83. МГТУ им. Н.Э. Баумана stas@kladov.ru Широкое развитие роботов-манипуляторов и
Проектирование человеко-машинных интерфейсов. Лекция 10. Распознавание речи
Проектирование человеко-машинных интерфейсов Лекция 10. Распознавание речи Что такое распознавание речи? Система преобразования речевых сигналов в текст либо в набор управляющих команд Основное назначение
SCIENCE TIME. Нейронные сети в системах распознавания речи. Гапочкин Артём Владимирович, Северо-Кавказский федеральный университет, г.
Нейронные сети в системах распознавания речи Гапочкин Артём Владимирович, Северо-Кавказский федеральный университет, г. Ставрополь E-mail: warrior_555@rambler.ru Аннотация. Данная статья посвящена вопросам
Лекция 5. Проблемы практического использования нейросетей
«Интеллектуальные компьютерные технологии обработки социологической информации» Лекция 5. Проблемы практического использования нейросетей Учебные вопросы: 1. Основы функционирования биологических нейронных
старший преподаватель кафедры компьютерных технологий РАСПОЗНАВАНИЕ РЕЧИ
УДК 004.522 Мытников А.Н., старший преподаватель кафедры компьютерных технологий Мытникова Е.А., старший преподаватель кафедры компьютерных технологий Кузнецова Л.Н., старший преподаватель кафедры компьютерных
Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV. План
Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV План 1. Общие понятия о нейронных сетях (определение нейронной сети, шкала MOS) 2. Классификация нейронных
ОБ ЭВОЛЮЦИОННОМ АЛГОРИТМЕ ФОРМИРОВАНИЯ НЕЙРОСЕТЕВОЙ СИСТЕМЫ ПОДАВЛЕНИЯ
УДК 004.8;004.032.26 ОБ ЭВОЛЮЦИОННОМ АЛГОРИТМЕ ФОРМИРОВАНИЯ НЕЙРОСЕТЕВОЙ СИСТЕМЫ ПОДАВЛЕНИЯ И.С. Лыткин (lytkinis@yandex.ru) Сибирский государственный аэрокосмический университет имени академика М.Ф. Решетнёва,
NickWare Group Science Бабич Н. А
ПАРАМЕТРИЧЕСКИЙ СИНТЕЗ ИНТЕРФЕРЕНЦИОННОЙ МОДЕЛИ НЕЙРОННОЙ СЕТИ Классические модели искусственных нейронных сетей (ИНС) в настоящее время используются для решения множества задач. Одной из таких задач является
Теоретические основы и методология имитационного и комплексного моделирования
ИСПОЛЬЗОВАНИЕ ВЕЙВНЕТОВ ПРОИЗВОЛЬНОЙ РАЗМЕРНОСТИ ДЛЯ МОДЕЛИРОВАНИЯ ОБЪЕКТОВ Д.Е. Катаев, Я.М. Жаров (Москва) Введение В сферах имитационного моделирования и идентификации объектов управления существуют
ОБУЧЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ МЕТОДОМ ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ
УДК 004.85 ОБУЧЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ МЕТОДОМ ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ Попова Ю.Б., Яцынович С.В. БНТУ, г. Минск, Беларусь, julia_popova@mail.ru БНТУ, г. Минск, Беларусь, hawkrai@yandex.ru
ISSN Интеллектуальные системы в производстве (13)
106 УДК 519.68: 681.513.7 С. А. Пучинин, аспирант кафедры «Прикладная математика и информатика» Ижевский государственный технический университет 1 ОБЗОР МАТЕМАТИЧЕСКИХ МЕТОДОВ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ
Исследование влияния количества слоев нейронов и их количества на поведение ошибки скорость обучения сети
УДК 004.424.4 Исследование влияния количества слоев и их количества на поведение ошибки скорость обучения сети Живых C.Ю., студент кафедра «Система обработки информации и управление» Россия, 105005, г.
Моделирование радиосистемы передачи информации с когерентным приемом сигнала в среде Matlab+Simulink
УДК 621.372 Моделирование радиосистемы передачи информации с когерентным приемом сигнала в среде Matlab+Simulink Попова А.П., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Радиоэлектронные
Исследование фильтра-предсказателя на основе нейронной сети прямого распространения
Министерство образования и науки Российской Федерации ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «САРАТОВСКИЙ НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
Оценка вокализованных участков речевого сигнала
А.А. Конев, * Р.В. Мещеряков ** Оценка вокализованных участков речевого сигнала Томский государственный университет систем управления и радиоэлектроники, г. Томск, Россия, * kaa1@keva.tusur.ru, ** mrv@keva.tusur.ru
О РАСПОЗНАВАНИИ СВЕРХБОЛЬШИХ СЛОВАРЕЙ РУССКИХ СЛОВОФОРМ НА ОСНОВЕ РАСПОЗНАВАНИЯ КВАЗИОСНОВ А.В. Ниценко. Институт проблем искусственного интеллекта
УДК 004.934 О РАСПОЗНАВАНИИ СВЕРХБОЛЬШИХ СЛОВАРЕЙ РУССКИХ СЛОВОФОРМ НА ОСНОВЕ РАСПОЗНАВАНИЯ КВАЗИОСНОВ А.В. Ниценко Институт проблем искусственного интеллекта Статья посвящена описанию способа распознавания
КЛАССИФИКАЦИЯ И СПОСОБЫ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ
УДК 004.8 Пальмов С.В., к.т.н., доцент кафедры ИСТ ПГУТИ Ланцов В.А., студент 4 курса ПГУТИ Российская Федерация, г. Самара КЛАССИФИКАЦИЯ И СПОСОБЫ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ Аннотация: В статье рассматриваются
Теоретические основы и методология имитационного и комплексного моделирования
ИМИТАЦИОННАЯ МОДЕЛЬ ПРОФЕССИОНАЛЬНОГО РИСКА, ПОСТРОЕННАЯ НА ОСНОВЕ НЕЙРОПОДОБНОЙ СЕТИ В.М. Беленький, В.Г.Спиридонов (Москва) Имитационная модель безопасности труда на основе нейроподобной сети Для решения
Применение нейронных сетей для решения задач прогнозирования
Электронный научный журнал «ИССЛЕДОВАНО В РОССИИ» 270 http://zhurnalaperelarnru/articles/2006/36pdf Применение нейронных сетей для решения задач прогнозирования Солдатова ОП, Семенов ВВ (vlad-eraser@mailru)
А.Т.Трофимов, А.Г.Горячев АДАПТИВНЫЙ КООРДИНАТНЫЙ БАЗИС ДЛЯ ОБРАБОТКИ РЕЧЕВЫХ СИГНАЛОВ
УДК 62.396.98 А.Т.Трофимов, А.Г.Горячев АДАПТИВНЫЙ КООРДИНАТНЫЙ БАЗИС ДЛЯ ОБРАБОТКИ РЕЧЕВЫХ СИГНАЛОВ There are adduced results of computer analysis of speech signals for which the model based on poly-
Двумерное распознавание сигнала на основе метода k ближайших соседей
УДК 621.391 Двумерное распознавание сигнала на основе метода k ближайших соседей Якубов Р.Ж., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Информационная безопасность» Научный руководитель:
А. В. Солдатов, С. А. Воротников СИСТЕМА СИЛОМОМЕНТНОГО ОЧУВСТВЛЕНИЯ МОБИЛЬНОГО МАНИПУЛЯЦИОННОГО РОБОТА СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ
УДК 004.896:621.865 А. В. Солдатов, С. А. Воротников СИСТЕМА СИЛОМОМЕНТНОГО ОЧУВСТВЛЕНИЯ МОБИЛЬНОГО МАНИПУЛЯЦИОННОГО РОБОТА СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ Рассматривается вариант построения системы силомоментного
ПОСТРОЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ КОНТРОЛЛЕРОВ АДАПТИВНОГО УПРАВЛЕНИЯ КОМПЛЕКТОМ МАШИН ДЛЯ УКЛАДКИ И УПЛОТНЕНИЯ ДОРОЖНЫХ АСФАЛЬТОБЕТОННЫХ ПОКРЫТИЙ
УДК 625.76 ПОСТРОЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ КОНТРОЛЛЕРОВ АДАПТИВНОГО УПРАВЛЕНИЯ КОМПЛЕКТОМ МАШИН ДЛЯ УКЛАДКИ И УПЛОТНЕНИЯ ДОРОЖНЫХ АСФАЛЬТОБЕТОННЫХ ПОКРЫТИЙ Прокопьев А.П. Сибирский федеральный университет
Библиотека БГУИР УДК 004.[932.75'1+89] Бурый Ярослав, Анатольевич
Министерство образования Республики Беларусь Учреждение образования Белорусский государственный университет информатики и радиоэлектроники УДК 004.[932.75'1+89] Бурый Ярослав, Анатольевич Модель распознавания
Особенности реализации алгоритма для отображения результатов анаморфирования
УДК 004.896 Особенности реализации алгоритма для отображения результатов анаморфирования Канев А.И., специалист Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Системы обработки информации и
Введение в нейронные сети [M.160]
Введение в нейронные сети [M.160] Ранее отмечалось, что такие популярные инструменты Data Mining, как регрессия и деревья решений, широко используемые для решения задач классификации и прогнозирования,
Разработка системы автоматического распознавания слитной речи
Разработка системы автоматического распознавания слитной речи ВЫПОЛНИЛ: СТУДЕНТ ГРУППЫ РК6-47 СЕМЕНОВ И.И. НАУЧНЫЙ РУКОВОДИТЕЛЬ: ДОЦЕНТ КАФЕДРЫ РК6, К.Т.Н. ФЕДОРУК В.Г. Распознавание речи МГТУ ИМЕНИ Н.Э.
представлении о мозге как о двухканальной системе применительно к обработке звуковой речи [2]. Каналы сегментного и целостного восприятия,
УДК 681.3:519.816 ИНТЕГРАЦИЯ ВИЗУАЛЬНОГО И РЕЧЕВОГО СПОСОБОВ УПРАВЛЕНИЯ ТЕКСТОВЫМ РЕДАКТОРОМ О.И.Федяев, С.А.Гладунов, И.Ю.Бондаренко Донецкий национальный технический университет fedyaev@r5.dgtu.donetsk.ua,
Сверточная нейронная сеть для разработки системы распознавания и классификации изображений
# 07, июль 2017 УДК 004.032.26 Сверточная нейронная сеть для разработки системы распознавания и классификации изображений Гузий Е.А., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Компьютерные
Автоматическая идентификация диктора по голосу
Автоматическая идентификация диктора по голосу Выполнил: студент 327 группы Машонский Иван Дмитриевич Научный руководитель: Турдаков Денис Юрьевич Москва, 2014 Введение Задача распознавания диктора по
2.4.Нейросетевой подход в распознавании образов
.4.Нейросетевой подход в распознавании образов Идея: моделирование процессов, происходящих в нервной системе живых организмов при обработке поступающей информации. мозг гораздо быстрее и точнее компьютера
NickWare Group Science Бабич Н. А
АНАЛИЗ ЭФФЕКТИВНОСТИ ПРИМЕНЕНИЯ ИНТЕРФЕРЕНЦИОННОЙ НЕЙРОННОЙ СЕТИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ РАСПОЗНАВАНИЯ ОБРАЗОВ Разработка новых методов решения тех или иных задач всегда требует подтверждения большей эффективности
МОСКОВСКИЙ ГОРОДСКОЙ ПСИХОЛОГО-ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ
МОСКОВСКИЙ ГОРОДСКОЙ ПСИХОЛОГО-ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ ФАКУЛЬТЕТ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ Курсовая работа Построение модели компьютерной системы распознавания речи Выполнил студент группы ИТ 4.1 Боклач
Глава 3. Проблема извлечения наблюдений Гультяева Т. А. ГЛАВА 3. ПРОБЛЕМА ИЗВЛЕЧЕНИЯ НАБЛЮДЕНИЙ
ГЛАВА 3. ПРОБЛЕМА ИЗВЛЕЧЕНИЯ НАБЛЮДЕНИЙ В данной главе рассматривается вопрос влияния методов сканирования, параметров окон сканирования и ограничений, наложенных на возможность пребывания наблюдений в
Министерство образования Республики Беларусь Учреждение образования Белорусский государственный университет информатики и радиоэлектроники
Министерство образования Республики Беларусь Учреждение образования Белорусский государственный университет информатики и радиоэлектроники УДК 004.93 12 Тодрик Антоний Иванович Использование нейронных
Применение оконных функций в задачах распознавания образов ультразвуковых сигналов Бархатов В.А.
Применение оконных функций в задачах распознавания образов ультразвуковых сигналов Бархатов В.А. В статье обсуждается способ распознавания ультразвуковых импульсов с использованием оконных функций. Рассматриваются
Эффективность методов обработки разреженных матриц
# 11, ноябрь 2016 УДК 300.316 Эффективность методов обработки разреженных матриц Невмержицкий А.А., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Программное обеспечение ЭВМ и информационные
к.т.н. доцент Запорожец О. В., аспирант Овчарова Т. А. Харьковский национальный университет радиоэлектроники E-al: oleg_zaporozhets@rabler.ru ИССЛЕДОВАНИЕ ПОГРЕШНОСТЕЙ НЕЙРОСЕТЕВОЙ МОДЕЛИ НЕЛИНЕЙНОГО ИЗМЕРИТЕЛЬНОГО
Лекция 6. Нейросетевые методы, перцептрон Розенблатта, многослойный перцептрон. Лектор Сенько Олег Валентинович
Лекция 6 Нейросетевые методы, перцептрон Розенблатта, многослойный перцептрон Лектор Сенько Олег Валентинович Курс «Математические основы теории прогнозирования» 4-й курс, III поток Сенько Олег Валентинович
Использование нейросети и SIFT дескрипторов для сравнения изображений
# 06, июнь 2016 УДК 004.932 Использование нейросети и SIFT дескрипторов для сравнения изображений Введение Савонин А.И., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Программное обеспечение
УДК 61.396.61 Цифровой обнаружитель с адаптивным порогом Логвиненко А.С., студент Россия, 155, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Автономные информационные управляющие системы» Научный руководитель:
Идентификация человека по голосу с использованием нейронных сетей
Министерство образования и науки Российской Федерации ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «САРАТОВСКИЙ НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
УПЛОТНЕНИЕ ШИРОКОПОЛОСНОГО КАНАЛА СВЯЗИ ДЛЯ ПЕРЕДАЧИ ТЕЛЕМЕТРИЧЕСКОЙ ИНФОРМАЦИИ
УДК 62.396.62 УПЛОТНЕНИЕ ШИРОКОПОЛОСНОГО КАНАЛА СВЯЗИ ДЛЯ ПЕРЕДАЧИ ТЕЛЕМЕТРИЧЕСКОЙ ИНФОРМАЦИИ (ГОУ ВПО «Ижевский государственный технический университет») Исследованный метод передачи сложных сигналов
Н. В. Мясникова, М. П. Берестень, В. А. Дудкин ЭКСПРЕСС-АНАЛИЗ СЕЙСМИЧЕСКИХ СИГНАЛОВ *
Известия высших учебных заведений. Поволжский регион УДК 681.31 144 Н. В. Мясникова, М. П. Берестень, В. А. Дудкин ЭКСПРЕСС-АНАЛИЗ СЕЙСМИЧЕСКИХ СИГНАЛОВ * Изложены теоретические основы экспресс-анализа
АНАЛИЗ ПРОБЛЕМ МОДЕЛИРОВАНИЯ ИНТЕЛЛЕКТУАЛЬНОГО ПОВЕДЕНИЯ ПЕРСОНАЖЕЙ В КОМПЬЮТЕРНЫХ ИГРАХ
115 УДК 004.896 АНАЛИЗ ПРОБЛЕМ МОДЕЛИРОВАНИЯ ИНТЕЛЛЕКТУАЛЬНОГО ПОВЕДЕНИЯ ПЕРСОНАЖЕЙ В КОМПЬЮТЕРНЫХ ИГРАХ Поспелов С.М., Бондаренко И.Ю. Донецкий национальный технический университет Игровой искусственный
ОРГАНИЗАЦИЯ УПРАВЛЕНИЯ НА ОСНОВЕ ТЕХНОЛОГИИ СИСТЕМ, ОСНОВАННЫХ НА ЗНАНИЯХ, ОБЛАЧНЫХ И СЕТЕВЫХ ТЕХНОЛОГИЯХ
УДК 004.896 ОРГАНИЗАЦИЯ УПРАВЛЕНИЯ НА ОСНОВЕ ТЕХНОЛОГИИ СИСТЕМ, ОСНОВАННЫХ НА ЗНАНИЯХ, ОБЛАЧНЫХ И СЕТЕВЫХ ТЕХНОЛОГИЯХ Салаев М.Н., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Системы
Постановка и возможные пути решения задачи обучения нейронных сетей
Лекция 5 Постановка и возможные пути решения задачи обучения нейронных сетей Частичная задача обучения Пусть у нас есть некоторая нейросеть N. В процессе функционирования эта нейронная сеть формирует выходной
Программный синтез звука музыкальных инструментов
# 01, январь 2016 УДК 534.4 Программный синтез звука музыкальных инструментов Тишина Е. М., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Информационные системы и телекоммуникации»
Алгоритм распознавания дорожных знаков
УДК 004.93 12 Алгоритм распознавания дорожных знаков Романов П. В., студент Россия, 105005, г. Москва, МГТУ им. Н. Э. Баумана, кафедры «Компьютерные системы и сети» Научный руководитель: Самарев Р. С.,
Эта система эквивалентна векторной (матричной) записи системы, - вектор столбец неизвестных, - вектор столбец свободных членов.
Лекция 4. Решение систем линейных уравнений методом простых итераций. Если система имеет большую размерность ( 6 уравнений) или матрица системы разрежена, более эффективны для решения непрямые итерационные
ПРОЕКТИРОВАНИЕ И ТЕХНОЛОГИЯ ЭЛЕКТРОННЫХ СРЕДСТВ
Направление 210200 ПРОЕКТИРОВАНИЕ И ТЕХНОЛОГИЯ ЭЛЕКТРОННЫХ СРЕДСТВ Магистерская программа 210200.05 Информационные технологии проектирования электронных средств Руководитель программы д.т.н., проф. Муромцев
СИСТЕМА ЗАЩИТЫ ОТ НЕСАНКЦИОНИРОВАННОГО ДОСТУПА НА ОСНОВЕ АНАЛИЗА СПЕКТРАЛЬНЫХ ХАРАКТЕРИСТИК ГОЛОСА
УДК 004.5 Д. В. Быков, А. А. Мохов СИСТЕМА ЗАЩИТЫ ОТ НЕСАНКЦИОНИРОВАННОГО ДОСТУПА НА ОСНОВЕ АНАЛИЗА СПЕКТРАЛЬНЫХ ХАРАКТЕРИСТИК ГОЛОСА Волгоградский государственный технический университет mitril@list.ru,
СИНТЕЗ РЕКУРСИВНЫХ ЦИФРОВЫХ ФИЛЬТРОВ ПО ИМПУЛЬСНОЙ ХАРАКТЕРИСТИКЕ, ОПРЕДЕЛЯЕМОЙ ЭЛЕМЕНТАРНОЙ МАТЕМАТИЧЕСКОЙ ФУНКЦИЕЙ
УДК. СИНТЕЗ РЕКУРСИВНЫХ ЦИФРОВЫХ ФИЛЬТРОВ ПО ИМПУЛЬСНОЙ ХАРАКТЕРИСТИКЕ, ОПРЕДЕЛЯЕМОЙ ЭЛЕМЕНТАРНОЙ МАТЕМАТИЧЕСКОЙ ФУНКЦИЕЙ Никитин Д.А., Ханов В.Х. Введение В современном арсенале методов синтеза рекурсивных
О КОМПЛЕКСЕ ПРОГРАММ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ИДЕНТИФИКАЦИИ ЛИНЕЙНЫХ ДИНАМИЧЕСКИХ ДИСКРЕТНЫХ СТАЦИОНАРНЫХ ОБЪЕКТОВ
СБОРНИК НАУЧНЫХ ТРУДОВ НГТУ. 28. 4(54). 37 44 УДК 59.24 О КОМПЛЕКСЕ ПРОГРАММ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ИДЕНТИФИКАЦИИ ЛИНЕЙНЫХ ДИНАМИЧЕСКИХ ДИСКРЕТНЫХ СТАЦИОНАРНЫХ ОБЪЕКТОВ Г.В. ТРОШИНА Рассмотрен комплекс программ
Проектирование человекомашинных. Лекция 7. Распознавание образов
Проектирование человекомашинных интерфейсов Лекция 7. Распознавание образов Распознавание образов раздел кибернетики, развивающий теоретические основы и методы классификации и идентификации объектов, которые
Ю.М. Коршунов ОЦЕНКА КАЧЕСТВА РАБОТЫ ЦИФРОВЫХ ФИЛЬТРОВ НА ОСНОВЕ ИСКУССТВЕННО СОЗДАННОЙ ИМИТАЦИОННОЙ МОДЕЛИ СИГНАЛА И ПОМЕХИ
ISSN 1995-55. Вестник РГРТУ. 1 (выпуск 31). Рязань, 0 УДК 1.391 Ю.М. Коршунов ОЦЕНКА КАЧЕСТВА РАБОТЫ ЦИФРОВЫХ ФИЛЬТРОВ НА ОСНОВЕ ИСКУССТВЕННО СОЗДАННОЙ ИМИТАЦИОННОЙ МОДЕЛИ СИГНАЛА И ПОМЕХИ Предложен метод
Д.А.Котина, Т.И.Паюсова Тюменский государственный университет, г.тюмень УДК
Д.А.Котина, Т.И.Паюсова Тюменский государственный университет, г.тюмень УДК 004.891.3 НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ В ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ Аннотация. В статье проводится анализ методического материала,
Индуктивный алгоритм отыскания модели оптимальной структуры состоит из следующих основных шагов.
МЕТОД ГРУППОВОГО УЧЕТА АРГУМЕНТОВ Метод группового учета аргументов, МГУА (Group Method of Data Handling, GMDH) метод порождения и выбора регрессионных моделей оптимальной сложности. Под сложностью модели
Сравнительный анализ алгоритмов построения изображений подстилающей поверхности
УДК 004.932, 681.518 Сравнительный анализ алгоритмов построения изображений подстилающей поверхности Бочаров В.А., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Системы автоматического
Построение дополненной реальности на примере создания виртуальной примерочной /482783
Построение дополненной реальности на примере создания виртуальной примерочной. 77-48211/482783 # 08, август 2012 Девайкин П. А., Шикуть А. В. УДК.004.021 Россия, МГТУ им. Н.Э. Баумана p.devaikin@gmail.com
Реализация программного модуля распознавания изображений на основе самоорганизующихся карт Кохонена средствами системы matlab
Реализация программного модуля распознавания изображений на основе самоорганизующихся карт Кохонена средствами системы matlab Студент Кафедра «Системы автоматического управления»: К.В. Парфентьев Научный
МАТЕМАТИЧЕСКИЕ ОСНОВЫ ТЕОРИИ ПРОГНОЗИРОВАНИЯ. Лектор Сенько Олег Валентинович Лекция 5
МАТЕМАТИЧЕСКИЕ ОСНОВЫ ТЕОРИИ ПРОГНОЗИРОВАНИЯ Лектор Сенько Олег Валентинович Лекция 5 Принцип частичной прецедентности Существует ряд методов распознавания, основанных на Принципе частичной прецедентности.
Исследование моделей векторного
Исследование моделей векторного представления слов на основе нейронных сетей Москва, 2015 Автор: группа 327 Архипенко Константин Владимирович Научный руководитель: канд. физ.-мат. наук Турдаков Денис Юрьевич
Моделирование технологических и природных систем
Моделирование технологических и природных систем Лекция 4 Персептрон Розенблата Фрэнк Розенблатт (, 1928-1971) известный американский учёный в области психологии, нейрофизиолог ии и искусственного интеллекта
Применение нейронных сетей для кластеризации данных
Кукса П.П., Шмаков В.В., Панюшкин М.А. Московский Государственный Технический Университет им. Н.Э. Баумана E-mail: kouxa@online.ru WWW: http://www.geocities.com/pkouxa Применение нейронных сетей для кластеризации
Применение нейронных сетей для решения навигационных задач мобильных роботов
Дипломная работа на тему: Применение нейронных сетей для решения навигационных задач мобильных роботов Автор дипломной работы: Катанкова Т.С., КП-501 Научный руководитель: Гаврилов А. В., к.т.н., доцент
Основы дискретизации сигналов (3 вопроса по 3 балла)
Основы дискретизации сигналов (3 вопроса по 3 балла) 1. Преобразование непрерывных изображений и звука в набор дискретных значений в форме кодов называют информатизацией трансляцией кодированием дискретизацией
Отложенная слоговая сегментация при распознавании речи
УДК 004.52 Отложенная слоговая сегментация при распознавании речи Ду Цзяньмин, студент кафедра «Информационные системы и телекоммуникации», МГТУ им. Н.Э. Баумана, Москва, Россия Научный руководитель: Выхованец
Лекция 5. Тема 3.3 Сети с самоорганизацией на основе конкуренции. Содержание:
Лекция 5 Тема 3.3 Сети с самоорганизацией на основе конкуренции Содержание: 1. Архитектура сети Кохонена 2. Меры расстояния между векторами и нормализация векторов 1. Архитектура сети Кохонена Под термином
3.8. Нейросетевые технологии и нейрокомпьютеры Лекция 4. Трассировка нейронной сети Пример опыт предпосылки обобщения
Лекции Лекция 1. Математическая логика событий...................... 22 Лекция 2. Основы нейросетевых технологий..................... 46 Лекция 3. Построение современной нейросетевой технологии...... 73
Цифровая реализация адаптивного алгоритма обнаружения сигналов
Цифровая реализация адаптивного алгоритма обнаружения сигналов # 06, июнь 2015 Матюнин Д. В. 1,*, Логвиненко А. С. 1, Жураковский В. Н. 1 УДК: 621.396.621 1 Россия, МГТУ им. Н.Э. Баумана Введение В данной
АКТУАЛЬНОСТЬ ВОПРОСА МАШИННОГО ОБУЧЕНИЯ. Ключевые слова: нейронные сети, машинное обучение, искусственный интеллект, системы управления.
Шаронина Ирина Сергеевна Скляр Анастасия Владимировна Шлыкова Ольга Анатольевна Заболотских Татьяна Александровна ФГБОУ ВО «Омский государственный технический университет» г. Омск, Омская область АКТУАЛЬНОСТЬ
Оценка времени выполнения и погрешности обработки речевого сигнала при использовании модели слуха человека
И.Е. Щеголев. Оценка времени выполнения и погрешности обработки речевого сигнала... 179 УДК 004.942 И.Е. Щеголев Оценка времени выполнения и погрешности обработки речевого сигнала при использовании модели
УДК 004 ПРИМЕНЕНИЕ НЕЧЕТКОЙ ЛОГИКИ В СИСТЕМАХ УПРАВЛЕНИЯ
УДК 004 ПРИМЕНЕНИЕ НЕЧЕТКОЙ ЛОГИКИ В СИСТЕМАХ УПРАВЛЕНИЯ Скубий А.П., Белоус В.А., Ковалёв С.А. Донецкий Национальный Технический Университет кафедра компьютерной инженерии E-mail: firestarter_88@mail.ru,
ТЕХНИКА, ТЕХНОЛОГИЯ, УПРАВЛЕНИЕ
Вестник Пензенского государственного университета 3 (7), 2014 ТЕХНИКА, ТЕХНОЛОГИЯ, УПРАВЛЕНИЕ УДК 681.518.3 И. А. Долгова, А. А. Селезнёв АВТОМАТИЗИРОВАННАЯ СИСТЕМА КОНТРОЛЯ ДИНАМИЧЕСКИХ ХАРАКТЕРИСТИК
Исследование сервиса Google Voice как средство распознавания речи с применением программных технологий
УДК 004.934.1'1 Исследование сервиса Google Voice как средство распознавания речи с применением программных технологий Груздев О.В., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Информационные
Информатика Лекция 1. Доц. Игнатьева Инга Анатольевна
Информатика Лекция 1 Доц. Игнатьева Инга Анатольевна Кафедра информационных технологий в непрерывном образовании Объём дисциплины и виды учебной работы Вид учебной работы Всего часов Аудиторные занятия
ЛАБОРАТОРНАЯ РАБОТА 2 МНОГОСЛОЙНЫЕ СИГМОИДАЛЬНЫЕ СЕТИ
ЛАБОРАТОРНАЯ РАБОТА МНОГОСЛОЙНЫЕ СИГМОИДАЛЬНЫЕ СЕТИ Многослойный персептрон В многослойном персептроне нейроны расположены в несколько слоев Нейроны первого слоя получают входные сигналы преобразуют их
ИДЕНТИФИКАЦИЯ И ПРОГНОЗИРОВАНИЕ НАГРУЗОК ЭЛЕКТРОПРИВОДА С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ WAVELET- АНАЛИЗА
Костылев А.В., Есаулкова Д.В. ФГАОУ ВПО «УрФУ имени первого Президента России Б.Н. Ельцина», Екатеринбург ИДЕНТИФИКАЦИЯ И ПРОГНОЗИРОВАНИЕ НАГРУЗОК ЭЛЕКТРОПРИВОДА С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ WAVELET- АНАЛИЗА
Комплекс автоматизированного дешифрирования и векторизации
52 А.Ю. Борзов (ЗАО КБ «Панорама») В 1993 г. окончил Санкт-Петербургское высшее военнотопографическое командное училище. До 2009 г. служил в рядах ВС РФ. С 2010 г. ведущий программист ЗАО КБ «Панорама».
Искусственный нейронные сети и возможность создания на их основе искусственного интеллекта Сулейманов К.Б. ФГБОУ ВО «Дагестанский государственный
Искусственный нейронные сети и возможность создания на их основе искусственного интеллекта Сулейманов К.Б. ФГБОУ ВО «Дагестанский государственный университет» Махачкала, Россия. Artificial neural networks
К вопросу о векторизации графических спектрограмм. А.М. Бонч-Бруевич, С.Б. Козлачков. МГТУ им. Н.Э. Баумана, Москва, , Россия
К вопросу о векторизации графических спектрограмм УДК 004.934 К вопросу о векторизации графических спектрограмм А.М. Бонч-Бруевич, С.Б. Козлачков МГТУ им. Н.Э. Баумана, Москва, 105005, Россия Для повышения
1
Цифровая обработка выходного сигнала лазерного гироскопа с виброподставкой. # 10, октябрь 2012 Санеев И. В. УДК 004.942 Россия, МГТУ им. Н.Э. Баумана saneevil@mail.ru Введение В большинстве современных
52. Чем определяется потенциальная точность совместных оценок частоты и задержки сигнала? 53. В чём заключается идея оценивания параметров сигнала с
Контрольные вопросы 0. Вывод рекуррентного уравнения для АПВ дискретных марковских 1. Как преобразуются ПВ распределения случайных величин при их функциональном преобразовании? 2. Что такое корреляционная
Постулат ISSN УДК 004. Forecasting the stock market using neural networks
УДК 004 Прогнозирование фондового рынка с использованием нейронных сетей Соколова Елена Алексеевна РЭУ имени Г.В. Плеханова Студент Аннотация В статье исследуется метод прогнозирования фондовых рынков
РЕАЛИЗАЦИЯ ПАРАЛЛЕЛЬНОГО АЛГОРИТМА ПОДБОРА АКТИВАЦИОННЫХ ФУНКЦИЙ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ
РЕАЛИЗАЦИЯ ПАРАЛЛЕЛЬНОГО АЛГОРИТМА ПОДБОРА АКТИВАЦИОННЫХ ФУНКЦИЙ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ Крючин О.В., Арзамасцев А.А. Тамбовский государственный университет им. Г.Р. Державина Аннотация. В данной
АВТОРЕФЕРАТ МАГИСТЕРСКОЙ РАБОТЫ
Министерство образования и науки Российской Федерации ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «САРАТОВСКИЙ НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
О СИСТЕМЕ КОМПЬЮТЕРНОГО РАСПОЗНАВАНИЯ РУССКОЙ РЕЧИ С АВТОМАТИЧЕСКИМ ПОСТРОЕНИЕМ ЭТАЛОНОВ
УДК 681.3 Грабовая В.А., Федоров Е.Е., Шелепов В.Ю. Донецкий государственный институт искуccтвенного интеллекта О СИСТЕМЕ КОМПЬЮТЕРНОГО РАСПОЗНАВАНИЯ РУССКОЙ РЕЧИ С АВТОМАТИЧЕСКИМ ПОСТРОЕНИЕМ ЭТАЛОНОВ
АЛГОРИТМЫ ДИНАМИЧЕСКОГО ПРОГРАММИРОВАНИЯ В РАСПОЗНАВАНИИ РЕЧИ Хеин Мин Зо
УДК 004.934 АЛГОРИТМЫ ДИНАМИЧЕСКОГО ПРОГРАММИРОВАНИЯ В РАСПОЗНАВАНИИ РЕЧИ 2017 Хеин Мин Зо аспирант кафедры программного обеспечения и администрирования информационных систем е-mail: heinminnzaw13@gmail.com
Контрольно-измерительные материалы для проведения промежуточной аттестации по информатике и ИКТ 9 класс
Муниципальное бюджетное общеобразовательное учреждение города Костромы "Гимназия 15" Контрольно-измерительные материалы для проведения промежуточной аттестации по информатике и ИКТ 9 класс Кострома, 2016
СИНТЕЗ СПЕКТРАЛЬНО-ВРЕМЕННЫХ ПАРАМЕТРОВ МОДЕЛИ БЛОКА РАСПОЗНАВАНИЯ РЕЧИ В АВТОМАТИЗИРОВАННОЙ СИСТЕМЕ УПРАВЛЕНИЯ
УДК 4.94 О. Н. КАРПОВ, О. А. САВЕНКОВА (ДНУ) СИНТЕЗ СПЕКТРАЛЬНО-ВРЕМЕННЫХ ПАРАМЕТРОВ МОДЕЛИ БЛОКА РАСПОЗНАВАНИЯ РЕЧИ В АВТОМАТИЗИРОВАННОЙ СИСТЕМЕ УПРАВЛЕНИЯ Розглянуто алгоритм сегментно-слогового синтезу
Автоматика та електротехніка
УДК 681.52: 629 НАСТРОЙКА НЕЙРОСЕТЕВОГО РЕГУЛЯТОРА NARMA-L2 CONTROLLER ДЛЯ СИСТЕМЫ УПРАВЛЕНИЯ ВЕРТИКАЛЬНЫМ ПЕРЕМЕЩЕНИЕМ САМОХОДНОГО ПОДВОДНОГО АППАРАТА Автор: Капацын В.Д. Научный руководитель: д.т.н.,
ТЕОРЕТИЧНІ ТА ПРИКЛАДНІ ПРОБЛЕМИ ІНТЕЛЕКТУАЛЬНИХ СИСТЕМ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ
ДC TI ТЕОРЕТИЧНІ ТА ПРИКЛАДНІ ПРОБЛЕМИ ІНТЕЛЕКТУАЛЬНИХ СИСТЕМ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ УДК 58.9 ИССЛЕДОВАНИЕ КАСКАДНЫХ НЕО-ФАЗЗИ НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧАХ ПРОГНОЗИРОВАНИЯ В ФИНАНСОВОЙ СФЕРЕ Ю.П. ЗАЙЧЕНКО
АННОТАЦИЯ Рабочей программы дисциплины Теоретические основы информатики
АННОТАЦИЯ Рабочей программы дисциплины Теоретические основы информатики Направление подготовки: 050100.62 (44.03.05) - Педагогическое образование (5 лет) Профили: математика и информатика Общая трудоемкость
ИССЛЕДОВАНИЕ ОСНОВНЫХ ФАКТОРОВ, ВЛИЯЮЩИХ НА РАСПОЗНАВАНИЕ РЕЧИ В ИНФОРМАЦИОННО-СЕРВИСНЫХ СИСТЕМАХ
7517 УДК 519.51-74: 004.52 ИССЛЕДОВАНИЕ ОСНОВНЫХ ФАКТОРОВ, ВЛИЯЮЩИХ НА РАСПОЗНАВАНИЕ РЕЧИ В ИНФОРМАЦИОННО-СЕРВИСНЫХ СИСТЕМАХ М.П. Фархадов З.П. Мясоедова А.Н. Абраменков С.В. Васьковский Ключевые слова: