Гибридные нейро-фаззи модели для анализа нечетких данных Текст научной статьи по специальности «Компьютерные и информационные науки»

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

УДК 004.8

А. II. ВЕЛЪМИСОВ

ГИБРИДНЫЕ НЕИРО-ФАЗЗИ МОДЕЛИ ДЛЯ АНАЛИЗА

• •

НЕЧЕТКИХ ДАННЫХ

Рассмотрены гибридные нейро-фаззи модели. Предложена гибридная нечёткая нейронная сеть для анализа нечётких данных.

Для решения задачи анализа нечётких данных наиболее подходит гибридная система нечёткой нейронной сети. В общем виде модель нечёткой нейронной сети (ННС) можно формализовать следующим образом:

Структура ННС - это 3-слойная вперед направленная нейронная сеть (FUZJ INF, DEF), которая состоит из 3 подсетей и описывается следующим образом:

a) 11 = [J Uj - непустое мнооюество подсетей,

/6/

- множество индексов для U UnJZ - подсеть фаззификации; U/NF - подсеть, реализующая машину вывода; UDJ,J: - подсеть де-

фаззификации. Vz, U} = U j —множество эле-

jeNf

ментов (слоевj, N ¡ — количество слоев в 1-й подсети. Каждый спой состоит из вычислительных

элементов (нейронов). J — ^ Nf - общее количест-

ieJ

во слоев в U. Vi", ] е J\ Ü f (| С/ . = 0, при i Ф ] ;

b) Структура сети (связи) определена:

М: U х U —> Ф( \Я) такое. что существуют только связи М(и, v), с и е Uj; v е Um J eJ (Ф( SR) -множество всех нечётких подмноо\сеств на Ш );

c) UFUZ - 2-слойноя вперёд направленная НС со следующими характеристиками: U руг ~ [\и9-

/=1,2

непустое множество элементов (слоев). U{ Ф 0; Ъ2 Ф0. U] -входной слой; U2 — слой функций принадлежности. Для. U j: Fc , ? Fn : SR —> SR. Для

d) UINf - 2-слойная. вперёд направленная. НС со еле-дующими характеристиками: UfNf —

и и, -

/=3,4

непустое множество элементов (слоев). Uъ - агрегирующий слой; U4 - инференциоиный слой. For (J

Fc :[0,1] -> [0,1], F, :([0Д] х [0,1]) -> [0,1]-

подходящая t-norm функция; FN : [О j] —> [0,l]. Для

и4; -» [ОД],

Fj :([0Д] х [ОД]) -» [ОД] - подходящая í-conorm функция;

е) UDFf - 1-сяойная вперёд направленная НС со следующими характеристиками: U = U5 Ф 0 .

U5- выходной слой. Fc: ([ОД] х

Ff: Ф( SR) —> 91 — подходящая: функция дефаззифи-кации, FN : SR —> SR.

ФОдним из частных случаев ННС явяяется РБФ нейро-фаззи структура.

Выбрав произведение в качестве t-norm оператора и суммирование в качестве t-conorm оператора в рамках вышеописанной модели ННС, а кроме того,

использовав в качестве fN функцию Гаусса и в качестве SDEF MAXDOT-Centroid метод дефаззифика-

ции? приходим к структуре, которую назовём Radial Basic Function - Fuzzy сеть (RBF-Fuzzy).

RBF-Fuzzy сеть - это стандартная модель ННС со сл еду ю щ им и характеристиками:

a) для слоя Uj: S' = Х ;

b) для слоя U2:

Xj <juJ]7l= 1

S я, =

25

Л

где

X: > juf2J = 2

j

1, jUß < Xj < /uj2;

i

с) для слоя Uъ: S' Н3 = J~J Xj ;

М

А. П. Вельмиссв, 2004

л

с!) для слоя иА: I/х = 0 ; £'//4 = >

I

Ей .х.

J_I

е) для слоя и5: ] 'с = т /7 Х], /, = 7 .

>1

Находясь в рамках структуры, описанной в определении 3, мы можем вычислить выход системы следующим образом:

п

У/ = ~---—, 1 = , при

Х'ЧаЛ

Л II- =е« •

7=1

УДК 621.391

Благодаря замкнутому описанию RBF-Fuzzy сеть может быть оптимизирована без использования back propagation алгоритма.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Fuller, R. Hybrid systems. Tutotium. http:// vv vv \ v .abo.fi/'fuller/

2. Zadeh, L. A. Toward a theory of fuzzy information granulation and its centrality in human reasoning and fuzzy logic. Fuzzy sets and systems. - 1997. - Vol. 90. -N.2.

3.Ярушкина, H. Г. Нечёткие нейронные сети (Часть 1 ) // Новости ИИ. -2001. -N 2-3.

4. Ярушкина Н. Г. Нечёткие нейронные сети (Часть2) // Новости ИИ. - 2001. - N 4.

Вельмисов Александр Петрович, аспирант кафедры «Информационные системы» УлГТУ Имеет публикации в области генетических алгоритмов, нейронных сетей, нечёткой логики.

А. И. АРМЕР, В. Р. КРАШЕНИННИКОВ

МОДЕЛЬ ИЗМЕНЧИВОСТИ ПРОИЗНЕСЕНИЯ РЕЧЕВЫХ КОМАНД

Исходя из записи одной исходной команды, произнесённой диктором, производится моделирование вариаций этой команды. Различные её варианты имитируются в виде отсчётов вдоль траекторий на изобра-жении, которое предварительно сформируется из исходной команды с помощью авторегрессионной модели.

Одним из основных мешающих факторов при распознавании речи является высокая изменчивость речевых сигналов (РС). В частности, при распознавании речевых команд (РК) путём сравнения ж с эталонами важным фактором, определяющим качество распознавания, является близость РК к соответствующей ей эталонной РК. Однако одна и та же РК, произнесенная одним и тем же диктором в разное время, имеет значительно отличающиеся характеристики, (длину, уровень, тембр и т. д.). Алгоритмы распознавания РК должны быть устойчивыми к таким изменениям, поэтому при разработке и испытаниях алгоритмов требуется большое количество записей одной и той же РК, получение которых требует большого времени. Поэтому в настоящее время ведётся разработка способов описания и имитации вариативности РС. На сегодняшний день существует ряд моделей речеобразования [1], но всё ещё не найдены удовлетворительные методы описания вариативности РС. В данной статье предлагается подход к моделированию вариаций РК, произнесённых дикто-

© А. И. Армер. В Р. Крашенинников, 2004

ром, с использованием авторегрессионной модели Хабиби [2] двумерного изображения.

При рассмотрении различных вариантов произнесения одинаковых РК одним диктором замечено, что они в основном различаются следующими факторами.

Ф1. Нелинейные искажения уровня РС, зависящие от положения ударения в словах, эмоциональной окраски слов и т. д.

Ф2. Искажения тембра, вызванные эмоциональным состоянием диктора и сопутствующими шумами акустической среды, в которой произносится команда.

ФЗ. Нелинейные временные искажения, связанные с различием в длительности произнесения команды в целом и её частей.

Моделирование изменчивости РС является задачей, близкой к задаче моделирования самих РС. Основные отличия заключаются в том, что в большинстве случаев при моделировании РС задача получать разные варианты сигнала в результате применения одной и той же модели отходит на второй план или вообще не рассматривается. Исключение составляют стохастические модели.