WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 | 2 ||

«МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ ИНСТИТУТ ЭЛЕКТРОНИКИ И МАТЕМАТИКИ (ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ) На правах рукописи УДК 50.10.41 САПУНОВ Григорий Владимирович СИСТЕМА АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ РЕЧЕВЫХ ...»

-- [ Страница 3 ] --

Рис. 5.7 Параметры критерия останова Порядок работы с программой Как уже отмечалось выше, программа имеет возможность сохранить все текущие параметры в файл или восстановить их из файла. При работе с программой следует учитывать, что результаты работы программы могут оказаться неверными или даже привести к системным ошибкам, если не учитывать соответствие текущих параметров с теми, при которых проводилось создание моделей. По этому, при создании моделей, целесообразно сохранить файл с настройками системы и затем, при работе с моделями, возвращаться к нему.

Сохранение настроек Для сохранения текущих настроек программы в меню главного окна программы выберите File->Save… При старте программа пытается загрузить файл с параметрами sdiapp.cfg, который должен находится в той директории, из которой запущена программа. Так если вы сохраните свои настройки в этом файле, то программа будет устанавливать их при каждом старте.

Загрузка настроек Для загрузки ранее сохраненных настроек системы в меню главного окна программы выберите File->Open… Диктовка слов 1. Настройте параметры АЦП так, чтобы в тот момент, когда в микрофон ничего не произносится, динамический параметр ZCR, был равен нулю. Для этого установите в поле Амплитуда фонового шума значение, несколько превышающее значение динамического параметра Амплитуда. 2. Настройте параметры Таксонома так, чтобы значения обоих порогов превышали динамические параметры АЦП в тот момент, когда в микрофон ничего не произносится. Для понимания процесса использования пороговых значений руководствуйтесь рис.5.1. Для более точной работы алгоритма следует выбирать минимально приемлемые пороговые значения. 3. Произнесите в микрофон слово.

4. При правильной настройке системы и при условии нормального функционирования звуковой подсистемы компьютера, в буфере речевых единиц появится новая запись с написанием <нет> Чтение WAV-файла 1. В главном окне программы нажмите кнопку «Файлы». 2. В открывшемся диалоге можно выбрать файлы для обработки программой. Диапазон файлов выбирается с нажатой клавишей Shift, отдельные файлы можно добавить к списку, удерживая нажатой кнопку Ctrl. 3. Нажмите кнопку OK. 4. После загрузки файлов будет произведена их обработка программой.

Создание новой модели 1. Отметьте в буфере речевых единиц не менее двух: 2. Проверьте написание всех отмеченных речевых единиц. Написание самой верхней из них, будет принято как название создаваемой модели. 3. Путем прослушивания убедитесь, что все отмеченные речевые единицы идентичны, при этом их длина должна отличаться незначительно. 4. Переместите курсор мыши на поле Буфер и нажмите правую кнопку мыши. Появится всплывающее меню. Рис.5.8 5. Выберите пункт меню Обучение 6. В словаре появится новая модель и в окне Результаты, будут выведены ее параметры. 7. В случае если вы хотите запустить обучение посредством генетических алгоритмов, выберите пунке Full Evo. Общие результаты работы генетического алгоритма выдаются в окно результатов. Подробные результаты работы выводятся в окно результатов работы генетического алгоритма, доступное по кнопке EvoRes главного окна программы.

Рис. 5.8 Обучение модели Приложение 2. Результаты экспериментальной проверки комплекса на ПЭВМ.

Ниже приведён детальный пример работы генетического алгоритма запротоколированный программой в файле при следующих параметрах самого ГА:

Размер популяции: 100 Число поколений: 400 Вероятность мутации: 0,9 Вероятность мутации при создании исходной популяции: 0,9 Нормализация значений фитнес-функции: On Оператор (Random) Оператор мутации: однострочный Исходная популяция (Число мутированных особей): 100 Исходная популяция (Число случайных особей): 0 скрещивания: одноточечный (1-point), двухточечный (2-point), равномерный Протоколо работы ГА с комментариями: # первый этап – генерирование исходной популяции заданного размера Person 1 N:10 F:2,57856703717435E-216 0,96666664 0,01609195 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,76506811 0,01847291 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,19921762 0,00000000 0,00000000 0,96666664 0,01666667 0,01666667 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,01724138 0,01847291 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,01847291 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96666664 0,01609195 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,01847291 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96666664 0,01666667 0,01666667 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,03571429 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 1, Person 2 N:10 F:5,22338126511996E-215 0,96666664 0,01609195 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,01847291 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96666664 0,01666667 0,01666667 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,01724138 0,01847291 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,01847291 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96666664 0,01609195 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,01847291 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96666664 0,01666667 0,01666667 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,03571429 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 1, … Person 100 N:10 F:1,55866173433415E-216 0,96666664 0,01609195 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,01847291 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96666664 0,01666667 0,01666667 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,01724138 0,01847291 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,01847291 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96666664 0,01609195 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,01847291 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,75220096 0,01666667 0,23113233 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,03571429 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 1, # Далее запускается основной цикл работы ГА, в начале каждого из шагов цикла отображается номер поколения и затем перечисляются проводящиеся этапы работы алгоритма:

Population: 1 Selection Crossover Mutation Reevaluation Reduction # Завершается шаг выводом значений фитнес-функций всех особей популяции:

F:5,22338126511996E-215 F:1,69504741431515E-215 F:6,57668253554822E-215 F:5,22338126511996E-215 F:4,45454066048329E-215 F:5,22338126511996E-215 … F:6,57668253554822E- # И выводом матрицы вероятностей переходов лучшей из особей популяции N:10 F:1,2148686290549E-214 0,96666664 0,01609195 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,01847291 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96666664 0,01666667 0,01666667 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,01724138 0,01847291 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,89759427 0,08516435 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,98390800 0,01609195 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,01847291 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96666664 0,01666667 0,01666667 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,03571429 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 1, # Далее осуществляется переход к следующему поколению:

Population: 2 Selection Crossover Mutation Reevaluation Reduction F:6,57668253554822E-215 F:9,09956294703976E-215 F:5,65017714232228E-215 F:6,57668253554822E-215 … F:5,22338126511996E-215 N:10 F:1,74400711280994E-214 0,96666664 0,01609195 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,01847291 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96666664 0,01666667 0,01666667 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,88096607 0,10056102 0,01847291 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,01847291 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96666664 0,01609195 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,01847291 0,01724138 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,90236545 0,08096787 0,01666667 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,96428573 0,03571429 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 1, # Завершается работа алгоритма по срабатыванию критерия останова – достижению популяции с заданным номером. Как видно из протокола работы, популяция к этому моменту стабилизировалась на одном достаточно хорошем решении:

Population: 400 Selection Crossover Mutation Reevaluation Reduction F:8,26993157354578E-212 F:8,26993157354578E-212 F:8,26993157354578E-212 F:8,26993157354578E-212 … F:8,26993157354578E-212 N:10 F:8,26993157354578E-212 0,93633032 0,06366964 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,92852277 0,07147722 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,93370742 0,06629252 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,92860907 0,07139093 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,92960995 0,07039008 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,93408930 0,06591063 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,93012458 0,06987542 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,93378383 0,06621615 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,92853469 0,07146537 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 0,00000000 1, # И в заключение алгоритм выводит значения фитнес-функций лучших особей каждой из популяции на протяжении всей истории работы алгоритма. Эти данные позволяют построить график сходимости решения.

1,2148686290549E-214 1,74400711280994E-214 2,33393079266842E-214 3,09676139915611E-214 4,83286369031649E-214 8,0089684497899E-214 1,11383385837564E-213 1,11662913417698E-213 1,704908077845E-213 1,75114532581059E-213 … 8,26993157354578E-212 8,26993157354578E-212 8,26993157354578E-212 8,26993157354578E- # На этом работа алгоритма заканчивается. В окне сообщений программы отображается информация о затраченном на выполнение алгоритма времени:

Start: 13:46:39 Finish: 14:02:

Pages:     | 1 | 2 ||



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.