5.2. Обучение сети

Обучающая выборка представляет собой матрицу, где строки – слова, столбцы – относительные значения частот. Числа – значения разности амплитуд. Первый вариант векторов признаков сформируем аналогично нижеследующему примеру и запишем в текстовый файл in_1.txt

-18.24; -00.81; -08.40; -04.84; -02.90; -3.00; -2.58

-16.12; -03.62; +11.56; -04.54; -00.20; -7.14; +7.87

-11.29; -04.67; +04.22; +00.12; -05.41; +2.26; -2.17

-08.98; -03.32; -05.47; +10.06; -10.59; -2.50; +4.18

+00.05; -06.41; +11.60; +05.06; -12.29; +5.25; +1.00

-12.34; -08.56; -02.52; +04.61; -03.74; +4.16; +3.54

Здесь каждая строка – вектор для каждого и 6 распознаваемых слов. Данные берутся из таблицы векторов признаков, полученных ранее.

Аналогично для второго варианта записи слов составляем файл in_2.txt

-19.77; -09.87; +05.76; -04.47; -07.04; -00.52; +02.85

-17.38; -02.17; +08.75; +05.57; -06.18; -08.10; +08.89

-19.69; -11.74; +06.25; +02.85; -05.62; -06.23; +01.63

-03.80; -14.50; -04.18; +00.89; -03.70; +09.05; -01.73

-05.47; -02.66; +00.16; +01.16; +00.58; -05.54; +09.82

+00.39; +02.66; -11.11; +01.98; +06.81; -04.51; +05.99

И in_3.txt

-05.22; -05.59; -01.53; -05.81; -06.95; -05.02; +00.55

-20.16; -01.51; +06.60; +05.60; -05.16; -08.67; +12.02

-16.64; -06.90; -02.10; +05.31; -09.49; -02.61; +00.42

-07.68; -09.43; -05.11; -01.98; +04.24; -00.38; +02.72

-05.89; +05.27; -02.20; +04.06; -10.35; +06.43; -02.05

-01.01; +05.34; -02.30; +01.63; -09.33; +05.58; -02.92

Осталось объединить 2 файла in_1.txt и in_2.txt в обучающий массив. Здесь содержатся 2 массива выборок дополненные символами 0 и 1, соответствующими номеру слова, которому они принадлежат.

Samples.txt

-18.24; -00.81; -08.40; -04.84; -02.90; -03.00; -02.58; 1; 0; 0; 0; 0; 0

-16.12; -03.62; +11.56; -04.54; -00.20; -07.14; +07.87; 0; 1; 0; 0; 0; 0

-11.29; -04.67; +04.22; +00.12; -05.41; +02.26; -02.17; 0; 0; 1; 0; 0; 0

-08.98; -03.32; -05.47; +10.06; -10.59; -02.50; +04.18; 0; 0; 0; 1; 0; 0

+00.05; -06.41; +11.60; +05.06; -12.29; +05.25; +01.00; 0; 0; 0; 0; 1; 0

-12.34; -08.56; -02.52; +04.61; -03.74; +04.16; +03.54; 0; 0; 0; 0; 0; 1

-19.77; -09.87; +05.76; -04.47; -07.04; -00.52; +02.85; 1; 0; 0; 0; 0; 0

-17.38; -02.17; +08.75; +05.57; -06.18; -08.10; +08.89; 0; 1; 0; 0; 0; 0

-19.69; -11.74; +06.25; +02.85; -05.62; -06.23; +01.63; 0; 0; 1; 0; 0; 0

-03.80; -14.50; -04.18; +00.89; -03.70; +09.05; -01.73; 0; 0; 0; 1; 0; 0

-05.47; -02.66; +00.16; +01.16; +00.58; -05.54; +09.82; 0; 0; 0; 0; 1; 0

+00.39; +02.66; -11.11; +01.98; +06.81; -04.51; +05.99; 0; 0; 0; 0; 0; 1

Перед обучением нужно отметить галкой поле «Задать начальные веса сети из обучающих выборок». Для загрузки обучаемых выборок жмем «Выбрать» и ищем созданный файл samles.txt, далее жмем «Обучить»

5.2. Испытания модели

5.2.1. Испытание 1. Обучение нейросети по первому и второму файлу

Сравнение будем проводить по признакам из in_3.txt. Для загрузки тестируемого файла входных признаков жмем «выбрать» в меню «операции с НС» и выбираем нужный файл. Теперь, переключая в списке исследуемые слова, и нажимая «установить», можем наблюдать, как система реагирует на независимо записанный вектор признаков. Сравниваем все 6 слов из файла in_3.txt и строим таблицу верных распознаваний

Номер слова	0	1	2	3	4	5
Успешно распознан	X	X	X	-	-	-
% распознавания	50%