Нейросети by Stepich [Bad players squad] https://padlet.com/stepanic15/nzwr85zr545kbm2g Сделано для описания структуры научной работы en-us 2021-04-24 13:52:35 UTC 2023-09-15 05:54:12 UTC hello@padlet.com Искусственная нейронная сеть stepanic15 https://padlet.com/stepanic15/nzwr85zr545kbm2g/wish/1454681161 Одним из самых распространенных методов распознавания речи являются нейронные сети.
В процессе развития информационных технологий создано большое количество различных моделей и модификаций искусственных нейронных сетей, которые способны решать различные задачи анализа данных, оптимизации, прогнозирования и принятия решений. В диссертации рассматривается модификация нейросети, а именно многослойная нейросеть, которая позволяет увеличить скорость и улучшить качество обучения метода.]]> 2021-04-24 14:14:18 UTC https://padlet.com/stepanic15/nzwr85zr545kbm2g/wish/1454681161 stepanic15 https://padlet.com/stepanic15/nzwr85zr545kbm2g/wish/1454682587 Определение 2.1. Искусственный нейрон ‒ обобщенная модель человеческого нейрона, который на вход получает некоторое значение и на выход передает обработанное активационной функцией полученное значение. 
Определение 2.2. Синапс ‒ связь между двумя нейронами, которая обладает некоторым весом.
Определение 2.3. Искусственная нейронная сеть (ИНС) – это математическая модель, а также устройства параллельных вычислений, представляющие собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). 
Определение 2.4. Многослойная нейронная сеть ‒ сеть, у которой помимо входного и выходного слоя существует хотя бы один скрытый слой.
ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах). 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 по отдельности простые процессоры вместе способны выполнять довольно сложные задачи.
Принцип работы нейронной сети таков, что, получив на входной слой нейронов новый звуковой файл сеть реагирует импульсом того или иного нейрона. Так как все нейроны поименованы значениями слогов, следовательно, среагировавший нейрон и несет ответ распознавания. Углубляясь в терминологию сетей можно сказать, что нейрон помимо выхода имеет также множество входов. Данные входы описывают значение фрейма. То есть, с учётом того, что средняя длина слова составляет 500мс, а средняя длинна фрейма 10мс, то такой шаг даст нам примерно 500 / (10 * 0.5) = 100 фреймов на слово. Следовательно, с учетом того – что на один фрейм приходится приблизительно 6 пиков по шкале, входов у сети должно быть 600. 
 Каждый вход воспринимается с определенным коэффициентом, и в результате, по окончанию распознавания на каждом нейроне скапливается определенный заряд. Т.е. нейрон с наибольшим значением заряда испускает импульс.
На скрытых слоях происходит обновление весов синапсов активационной функцией и рассчитывается вероятность ошибки распознавания объекта в узле сети.
Но чтобы коэффициенты нейронов были правильно настроены, необходимо сначала обучить сеть. Этим занимается отдельный модуль обучения. Данный модуль берет очередной аудиофайл из обучающей выборки и отправляет в сеть. Сеть анализирует все числовые характеристики позиции каждого фрейма и выравнивает коэффициенты, минимизируя ошибку совпадения, после чего определенному нейрону сопоставляется данный аудиофайл, хранящий в себе слово.

]]> 2021-04-24 14:15:19 UTC https://padlet.com/stepanic15/nzwr85zr545kbm2g/wish/1454682587 stepanic15 https://padlet.com/stepanic15/nzwr85zr545kbm2g/wish/1454686403 В данной работе построена многослойная нейронная сеть, имеющая четыре слоя. 
1.   Входной слой; 
2.   Скрытый слой; 
3.   Скрытый слой;
4.   Выходной слой. 
Выходной слой возвращает результат классификации 𝑡𝑖 ∈ 𝐶.
]]> 2021-04-24 14:17:41 UTC https://padlet.com/stepanic15/nzwr85zr545kbm2g/wish/1454686403 Основные характеристики ИНС stepanic15 https://padlet.com/stepanic15/nzwr85zr545kbm2g/wish/1454686790 1. Хорошая обобщающая способность. ИНС способны к обобщению и показывают хорошие результаты на данных со сложными закономерностями, что является несомненным преимуществом для рассматриваемой задачи в сравнении с другими классификаторами.  
2. Высокая скорость классификации. ИНС работающая в режиме классификации (после завершения стадии обучения), работает практически мгновенно, так как ресурсы тратятся только для вычисления выходов нейронов с применением ранее полученных нейронных синапсов.   
3. Возможность масштабирования. При добавлении новых данных или классов не требуется вносить изменения в алгоритм работы нейронной сети, достаточно изменить число входных/выходных нейронов и выполнить повторное обучение сети.  
4. Адаптивность. Адаптивность достигается за счет адаптивности ее структурных элементов – нейронов, то есть их способности подстраивать свои параметры в процессе изменений условий внешней среды. Полученные ИНС широко используются при решении проблем распознавания образов, моделирования, прогнозирования, оптимизации и управления.
]]> 2021-04-24 14:18:01 UTC https://padlet.com/stepanic15/nzwr85zr545kbm2g/wish/1454686790 Алгоритм работы нейронной сети stepanic15 https://padlet.com/stepanic15/nzwr85zr545kbm2g/wish/1454693336 Алгоритм работы нейронной сети по распознаванию выглядит следующим образом:
1.   Выполняется инициализация сети: определяется количество слоёв и количество нейронов на каждом слое, и они связываются синапсами. 
2.   Весам синапсов присваиваются случайные значения от 0 до 1. 
3.   На вход подается значение x. 
4.   Вычисляются все значения активации нейронов.
5.   Начинается корректировка весов синапсов (в обратном направлении).
]]> 2021-04-24 14:22:51 UTC https://padlet.com/stepanic15/nzwr85zr545kbm2g/wish/1454693336