神经网络
依然在原点
宁愿笑着流泪也不愿哭着说后悔
展开
-
模糊神经元网络
模糊神经元网络可综合模糊逻辑推理和神经元网络的非线性变换机制与学习能力,模拟生物神经系统的信号处理机制和过程。模糊神经元分为两类1.通过对非模糊神经元直接模糊化得到的模糊神经元1.1由各种模糊数、模糊运算、模糊函数实现对输入、连接权、激励阈值、聚合运算和非线性激励函数的模糊化,则其输出也必然是模糊2.由模糊规则所描述的模糊神经元2.1通过加权模糊逻辑设计的,---加权模原创 2016-04-11 09:16:51 · 2424 阅读 · 1 评论 -
过程神经元网络
生物神经元中突触的输出变化与输入脉冲的相对定时有关,即神经元的输出依赖于持续一段时间的输入过程。神经元的输出不仅与输入信号的空间聚合和激励阈值激励的作用有关,而且也依赖于输入过程中的时间累积效应。此外,在很多实际问题中,许多系统的输入也往往是一些过程或依赖于时间变化的函数。———时间累积效应 过程神经元模拟外界对某些生物神经系统的刺激可能持续一段时间,生物神经元根据所接受到的多个时变输入信号在时原创 2016-04-11 16:40:52 · 999 阅读 · 0 评论 -
有关小波的几个术语及常见的小波基介绍
http://blog.csdn.net/jbb0523/article/details/42586749 一、小波基选择标准 小波变换不同于傅里叶变换,根据小波母函数的不同,小波变换的结果也不尽相同。现实中到底选择使用哪一种小波的标准一般有以下几点:1、支撑长度 小波函数Ψ(t)、Ψ(ω)、尺度函数φ(t)和φ(ω)的支撑区间,是当时间或频率趋向于无穷大时,Ψ原创 2016-05-14 10:07:28 · 3713 阅读 · 0 评论 -
小波函数的数据拟合方法
http://www.doc88.com/p-0804368854890.html 1.数据拟合的最小二乘法 目前,数据拟合的常用方 法是最小二乘法,而基函数多采用n次多项式、切比晓夫多项 式、Bernstein多项式等,由不同的基函数产生的拟合效果不同, 但计算过程稳定与否和拟合精度的高低是衡量基函数优劣的 主要标准。应用函数 polyfit进行多项式拟合在做数据拟合时,选择合适的原创 2016-05-14 15:44:34 · 5295 阅读 · 1 评论 -
数字语音信号
一、 问题的提出: 数字语音是信号的一种,我们处理数字语音信号,也就是对一种信号的处理,那信号是什么呢? 信号是传递信息的函数。 一、 问题的提出:数字语音是信号的一种,我们处理数字语音信号,也就是对一种信号的处理,那信号是什么呢?信号是传递信息的函数。离散时间信号%26mdash;%26mdash;序列%26mdash;%26mdash;可以用图形来表示。按信号特点的不同,信号可表示成一个或几个转载 2016-05-15 10:39:49 · 6114 阅读 · 0 评论 -
语音识别
Hanmming窗 hamming窗的定义:一个N点的hamming窗函数定义为如下语音信号可以认为是短时平稳的。在5~50ms的范围内,语音频谱特性和一些物理特性参数基本保持不变。我们将每个短时的语音称为一个分析帧。一般帧长取10~30ms。我们采用一个长度有限的窗函数来截取语音信号形成分析帧。通常会采用矩形窗和汉明窗。 语音信号一般在10ms到30ms之间,我们可以把它看成是平稳的。原创 2016-05-15 10:12:41 · 962 阅读 · 0 评论 -
遗传算法优化BP神经网络
遗传算法-—模拟自然界遗传机制和生物进化论而成的一种并行随机搜索最优化方法。基于自然界“优胜劣汰,适者生存”的生物进化原理引入优化参数形成的编码串联群体中,按照所选择的适应度函数并通过遗传中的选择、交叉和变异对个体进行筛选,使适应度值好的个体被保留,适应度差的个体被淘汰,新的群体既继承了上一代的信息,又优于上一代。反复循环,直至满足条件。 1.选择操作 2.交叉操作 3.变异操作 遗传算法是原创 2016-04-15 10:57:47 · 10792 阅读 · 2 评论 -
matlab 报错 Function 'subsindex' is not defined for values of class 'network'.
Error using subsindex Function ‘subsindex’ is not defined for values of class ‘network’.Error in feedforward (line 4) net = train(net,traindata,t_lable);变量列表中存在名字为train的变量,所以导致程序无法识别,修改变量名称由train改成t原创 2016-11-03 17:39:39 · 8242 阅读 · 0 评论 -
LSTM理解
递归神经网络人类并不是每时每刻都从头开始思考。正如你阅读这篇文章的时候,你是在理解前面词语的基础上来理解每个词。你不会丢弃所有已知的信息而从头开始思考。你的思想具有持续性。传统的神经网络不能做到这点,而且这似乎也是它的主要缺陷。比如,你想对电影中每个点发生的事件类型进行分类。目前还不清楚传统神经网络如何利用之前事件的推理来得出后来事件。递归神经网络能够解决这一问题。这些网络中具有循环结构,能够使信息转载 2017-07-10 14:56:28 · 1044 阅读 · 0 评论