Часть 4: Выполнение первой и второй части с использованием аппроксимации ачх и сравнение решения с третей частью

В данной части необходимо сделать все то же самое, что и в первой части, используя файл «Анализ.xlsm», и сравнить результат с третьей частью. При открытии файлов необходимо разрешить выполнение макросов. Возможно, у Вас установлен высокий уровень безопасности макросов, и варианта не отключения макросов у Вас не будет. Для того чтобы изменить уровень безопасности необходимо пройти по следующей последовательности меню: Сервис –> Параметры -> Безопасность -> Безопасность макросов и выбрать средний уровень (рекомендуется) либо низкий уровень. При следующем открытии файла будет предложено не отключать макросы, что и следует выбрать. В файле «Анализ.xlsm» листы с 1 по 6 необходимо заполнить своими данными и переименовать под свои слова. Заполнять нужно аналогично тому, как это сделано в файле. На листе «Итоги» необходимо заполнить опорные частоты (рис. 17).

Кнопка «Построить графики» перед построением графиков запускает сервер MatLab, который используется для вычисления значения ячеек «Без микр. (аппрокс)» аппроксимацией методом наименьших квадратов. Выполняется функция getAver, файл которой находится в папке SoundRec. Именно в этот момент важно, чтобы в путях MatLab эта папка была прописана. Строятся графики аппроксимированной и не аппроксимированной АЧХ.

Кнопки «Вычислить таблицы по не аппроксимированным данным» и «Вычислить таблицы по аппроксимированным данным» в особых пояснениях не нуждаются. Первая вычисляет все то же самое, что вычислялось в первой части задания. Вы можете проверить себя, вписав частоты из первой части. Вторая кнопка вычисляет таблицы по аппроксимированным данным, аналогично тому, как это делается в MatLab в третьей части.

Часть 5: Алгоритм распознавания, построенный на нейронной сети

В последней части данной работы предлагается построить систему распознавания с использованием программы SimpleNet, разработанной студентом кафедры П. Куреневым. Перед выполнением рекомендуется ознакомиться с некоторыми теоретическими моментами нейронных сетей, а также с работой программы. Данная информация может быть найдена в файле Simple Net.doc

В данной части будет проверяться работа алгоритма по векторам признаков, полученным еще в п.1.5. Напомню, что вектором признаков данного слова называем 7-компонентный массив чисел, полученный как разность соседних амплитуд на выбранных частотах сравнения.

Напомним, что в предыдущей части работы были получены по 3 варианта векторов признаков 6 слов. Первые 2 будем использовать для обучения сети, третий – для проверки алгоритма распознавания.

5.1. Построение нейронной сети

Перед началом настоятельно рекомендуется ознакомиться с документом “Simle Net.doc”. Нейронная сеть строится по принципу: ситуация – вектор признаков, действие – номер слова, удовлетворяющего данным признакам. Используется сеть со слоем Кохонена и слоем прямого распространения. Параметры сети указаны на рис. 18.

Количество входов соответствует количеству элементов вектора признаков

Число нейронов слоя Кохонена выбрано 10

Число нейронов слоя прямого распространения равно числу распознаваемых слов

После ввода этих параметров нажимаем «создать». Получаем структуру пока необученной сети