Применение нейронной сети для текущего анализа нестационарного сигнала (речи), представленного его вейвлет-отображением. II. Исследование и оптимизация нейронной сети

Автор: Меркушева А.В.

Журнал: Научное приборостроение @nauchnoe-priborostroenie

Статья в выпуске: 1 т.13, 2003 года.

Бесплатный доступ

В статье обоснован выбор и уровень сложности нейросетевого многослойного персептрона и получены характеристики его обучения. Предложен способ снижения размерности входных векторов при обучении персептрона и распознавании состояния сигнала, основанный на методе главных компонент. Получены основные характеристики нейросетевого алгоритма.

Короткий адрес: https://sciup.org/14264275

IDR: 14264275

Список литературы Применение нейронной сети для текущего анализа нестационарного сигнала (речи), представленного его вейвлет-отображением. II. Исследование и оптимизация нейронной сети

Battiti R. First and Second Order Methods for Learning: Between Steepest Descent and Newtons' Method//Neural Computations. 1992. N 4. P. 141-166.
Baum E.B. Neural Net Algorithms that Learn in Polynoial Time from Examples and Qyeries//IEEE Transactions on Neural Networks. 1991. N 2. P. 5-19.
Baum E.B., Wilczek F. Supervised learning of probability distributions by neural networks/Ed. D.Z. Anderson. N.Y.: American Institute of Physics, 1988. P. 52-61.
Gallant A.R., White H.//Neural Networks. 1990. N 5. P. 129-138.
Hinton G.E., Nowban S.J. How Learning Can Guide Evolution//Complex systems. 1987. N 1. P. 495-512.
Hopfield J.J. The Effectiveness of Analogue Neural Network.Hardware//Networks. 1990. N 1. P. 27-40.
Saarinen S. et al. Neural networks, back-propagation and automatic differentiation//Automatic Differentiation of Algorithm: Theory, Implementation and Application/Eds. Grievank A., Corless G.F. Philadelphia, MA, SIAM, 1991. P. 31-42.
Гилл Ф., Мюррей У., Райт М. Прикладная оптимизация. М.: Мир, 1985. 209 c.
Химмельблау Р. Прикладное нелинейное программирование. М: Мир, 1975. 98 с.
Ariel M. Nonlinear Programming: Analyses and Methods. N.Y.: Prentice Hall, 1976.
Dorny C.N. A Vector Space Approach to Models and Optimization. N.Y.: Wiley (Interscience Publishing), 1975. 289 p.
Hestenes M.G. Conjugate Direction Method in Optimization. Berlin-Heidelberg-N.Y., 1980. 48 p.
Jackobs R.A. Increased Rates of Convergence through Learning Rate Adaptation//Neural Networks. 1989. V. 1. P. 295-307.
Broyden C.G. A Class of Methods for Solving Nonlinear Simultaneous Equations//Mathematics of Computation. 1965. N 19. P. 577-593.
Broyden C.G. Quasi-Newton Methods and their Application to Function Minimization//Mathematics of Computation. 1967. N 21. P. 368-381.
Broyden C.G. The Convergence of Minimization Algorithms//Journal of Institute of Mathematical Applications. 1970. N 6. P. 76-90.
Broyden C.G., Dennis J.E., Moro J.J. On the Local and Superlinear Convergence of Quasi-Newton Methods//Journal of Institute of Mathematical Applications. 1973. N 12. P. 223-245.
Shanno D.F. Conditioning of quasi-Newton methods for function initialization//Mathematics of Computation. 1970. N 24. P. 647-657.
Shah B.V., Buchler R.J., Kempthorne O.//Journal Society of Industrial and Applied Mathematics. 1964. V. 12. P. 74.
Haykin S. Neural Networks. A Comprehensive Foundation. N.Y.: Prentice Hall, 1994. 680 p.
Власов Л.В., Малыхина Г.Ф., Тархов Д.А. Нейронный эмулятор "ESSENCE"//Датчики и системы: Сборник докладов Международной конференции. СПб.: Изд-во СПбГТУ, 2002. Т. 3. С. 149-153.
Загрутдинов Г. М. Достоверность автоматизированного контроля. Казань: Изд-во Казанского университета, 1980. 280 с.
Любатов Ю.В. Теоретические основы моделирования цифровых систем. М.: МАИ, 1989. 77 с.
Болч Б., Хуань К. Дж. Многомерные статистические методы для экономики. М.: Статистика, 1979. 316 с.
Кендал М. Дж., Стьюарт А. Многомерный статистический анализ и временные ряды (Пер.с англ. под ред. А.Н. Колмогорова и Ю.В. Прохорова). М.: Изд-во Наука, 1976. 736 с.

Еще

Статья научная