ПОДГОТОВКА ДАННЫХ ДЛЯ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ, РЕШАЮЩИХ ЗАДАЧУ РАЗДЕЛЕНИЯ ИСТОЧНИКОВ СИГНАЛА

• Номер работы:
  1463837
• Раздел:
  Все работы   →   Рефераты и реферативные задания   →   Информационные технологии
• Год добавления:
  21.01.2025 г.
• Объем работы:
  17 стр.
• Содержание:
  Содержание
  
  Введение 3
  1. Понятие нейронной сети 4
  2. Составление датасета для обучения моделей, решающих задачу разделения источников сигнала 6
  3. Источники датасетов 10
  4. Подготовка данных 12
  Заключение 16
  Библиографический список 17
  
  
• Выдержка из работы:
  Некоторые тезисы из работы по теме ПОДГОТОВКА ДАННЫХ ДЛЯ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ, РЕШАЮЩИХ ЗАДАЧУ РАЗДЕЛЕНИЯ ИСТОЧНИКОВ СИГНАЛА
  Введение
  
  В последние годы машинное обучение приобрело большую популярность. Это можно объяснить тем фактом, что алгоритмы машинного обучения позволяют решать задачи, которые практически невозможно решить стандартным способом. В принципе, наиболее важным аспектом, который делает возможным обучение, являются данные обучающего алгоритма.
  …………………………………….
  
  1. Понятие нейронной сети
  
  Нейронная сеть, также известная как искусственная нейронная сеть (ИНС), представляет собой математическую модель, реализованную в программном или аппаратном виде. Эта модель основана на принципах организации и функционирования биологических нейронных сетей, которые составляют нервную систему живых организмов.
  Понятие ИНС возникло в ходе изучения процессов, происходящих в мозге, с целью их моделирования. Базовым элементом ИНС является искусственный нейрон, являющийся упрощённой аналогией биологического нейрона (рис. 1).
  
  Рисунок 1 – Упрощение от нейрона к схеме искусственного нейрона
  
  Искусственный нейрон представляет собой вычислительную единицу с несколькими входами, аналогичными синапсам биологического нейрона, и одним выходом, соответствующим аксону. Его функциональность заключается в математическом суммировании S входных сигналов Х с учётом весов W. Полученный результат затем обрабатывается нелинейной функцией активации F, такой как сигмоидальная функция. Сигмоида - монотонно возрастающая дифференцируемая s-образная функция, которая позволяет нейрону усиливать слабые сигналы и не насыщаться при сильных сигналах.
  Таким образом, выходной сигнал Y зависит от входных сигналов X, их весов W и функции активации F. Коэффициенты W играют роль памяти нейрона и являются ключевыми элементами обучения нейронной сети. Объединение нескольких искусственных нейронов в структуру образует нейронную сеть (рис. 2).
  
  Рисунок 2 – Схема формирования нейронной сети
  
  Простая нейронная сеть характеризуется наличием входного, скрытого и выходного слоев. Сети с множеством скрытых слоёв именуются глубинными нейронными сетями. Среди основных архитектурных типов нейронных сетей можно выделить полносвязные, сверточные и рекуррентные [2].
  Полносвязные сети состоят из нескольких слоёв, в которых каждый нейрон последующего слоя соединён со всеми нейронами предыдущего слоя. Увеличение размерности входных данных и количества скрытых слоёв приводит к существенному росту сложности сети. Например, для анализа изображения размером 28x28 пикселей потребуется 784 нейрона в скрытом слое, каждый из которых должен иметь 784 входа для соединения с предыдущим слоем.
  Одним из недостатков полносвязных сетей является то, что изображения представляются в виде одномерных последовательностей, при этом не учитываются специфические характеристики изображений как структур данных. Тем не менее, для изображений небольшого размера применение полносвязной сети допустимо.
  ……………………………………
  
  Библиографический список
  
  1. Батов С. Форматы звуковых файлов часть 1 / С. Батов // «Звукорежиссер» — информационно-технический журнал, предназначенный для специалистов в области профессиональных звуковых технологий. – 1999. – № 8.
  2. Высоцкий М. З. Системы кино и стереозвук / М. З. Высоцкий. – М.: «Искусство», 1972. – 336 с.
  3. Гольденберг Л. М. Цифровая обработка сигналов: Учебное пособие для вузов / Л. М. Гольденберг – 2-е изд. – М.: Радио и связь, 1990. – 256 с.
  4. Лялин С. Г. Метод шумоподавления в речевых сигналах с помощью нейронной сети / С. Г. Лялин // Advanced Science – 2019. – № 2 – С. 32–38.
  5. Шарден, Б. Крупномасштабное машинное обучение вместе с Python: учебное пособие / Б. Шарден, Л. Массарон, А. Боскетти; перевод с английского А. В. Логунова. — Москва : ДМК Пресс, 2018. — 358 с.
  ……………………………………