Creation of the Facial Gestures Dlassifier Based on the Electromyogram Analysis

Будко, Раиса Юрьевна; Старченко, Ирина Борисовна

doi:10.15622/sp.46.7

Cited by 5 publications

(5 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

Section: информационно-управляющие системыunclassified

“…где N -количество эталонов;  -постоянная величина, определяющая значение веса w k (2) входных связей нейронов второго слоя. В данном примере  1; H k (2) (N -1) -порог нейрона второго слоя. Поскольку для данного примера количество эталонов равно восьми, то порог H k (2) 7 для всех нейронов второго слоя.…”

Section: информационно-управляющие системыunclassified

“…В данном примере  1; H k (2) (N -1) -порог нейрона второго слоя. Поскольку для данного примера количество эталонов равно восьми, то порог H k (2) 7 для всех нейронов второго слоя. В табл.…”

Section: информационно-управляющие системыunclassified

“…В табл. 2 показаны также значения функций состояний Sw k (2) активации f(Sw k (2) ) нейронов второго слоя согласно приведенным выражениям ( 21), (22). Можно видеть, что уже на этом этапе 7-й выход второго слоя, соответствующий эталону «N», является активным.…”

Section: информационно-управляющие системыunclassified

See 3 more Smart Citations

Algorithm for calculating synapse weights of the first layer of a neural network on the base of metric recognition methods. Part 2

Geidarov¹

2020

ICS

View full text Add to dashboard Cite

Introduction: Metric recognition methods make it possible to preliminarily and strictly determine the structures of feed-forward neural networks, namely, the number of neurons, layers, and connections based on the initial parameters of the recognition problem. They also make it possible to analytically calculate the synapse weights of network neurons based on metric expressions. The setup procedure for these networks includes a sequential analytical calculation of the values of each synapse weight in the weight table for neurons of the zero or first layer, which allows us to obtain a working feed-forward neural network at the initial stage without the use of training algorithms. Then feed-forward neural networks can be trained by well-known learning algorithms, which generally speeds up the process of their creation and training. Purpose: To determine how much time the process of calculating the values of weights requires and, accordingly, how reasonable it is to preliminarily calculate the weights of a feed-forward neural network. Results: An algorithm is proposed and implemented for the automated calculation of all values of synapse weight tables for the zero and first layers as applied to the task of recognizing black-and-white monochrome symbol images. The proposed algorithm is described in the Builder C++ software environment. The possibility of optimizing the process of calculating the weights of synapses in order to accelerate the entire algorithm is considered. The time spent on calculating these weights for different configurations of neural networks based on metric recognition methods is estimated. Examples of creating and calculating synapse weight tables according to the considered algorithm are given. According to them, the analytical calculation of the weights of a neural network takes just seconds or minutes, being in no way comparable to the time necessary for training a neural network. Practical relevance: Analytical calculation of the weights of a neural network can significantly accelerate the process of creating and training a feed-forward neural network. Based on the proposed algorithm, we can implement one for calculating three-dimensional weight tables for more complex images, either black and-white or color grayscale ones.

show abstract

Section: информационно-управляющие системыunclassified

See 2 more Smart Citations

Algorithm for calculating synapse weights of the first layer of a neural network on the base of metric recognition methods. Part 2

Geidarov¹

2020

ICS

View full text Add to dashboard Cite

show abstract

“…Результаты эксперимента и их анализ. Для создания ИОС с виртуальными компонентами предлагается использовать неинвазив-ный метод обратной связи обучаемых (дистанционная психодиагно-стика) с применением мультиспектрального анализа и нейросетевой экспертной системы [20,[24][25][26][27][28]. Анализирующее устройство учитыва-ет особенности выражения лица, положения головы, динамики движе-ния глаз, губ, рук и интенсивности (насыщенности) цвета тела (лица) каждого обучаемого.…”

Section: матрица средних значений статусных функций как ана-unclassified

The Status Functions Method for Processing and Interpretation of the Measurement Data of Interactions in the Educational Environment

Veshneva¹,

Чистякова²,

Большаков³

2016

Тр. СПИИРАН

View full text Add to dashboard Cite

И.В., Чистякова Т.Б., Большаков А.А. Метод обработки и интерпретации данных измерения взаимодействий в образовательной среде на основе статусных функций.Аннотация. Предложен математический метод, основанный на использовании комплексных статусных функций, приписываемых состоянию объекта. Метод ориентирован на непосредственное описание математической модели канала обратной связи эргатических систем. Статусные функции формируются как оптимальный, ортонормированный базис системы. Введены правила работы со статусными функциями, представлена их интерпретация. Предложен метод формирования оператора преобразования сигналов, представленных статусными функциями. Таким образом, осуществлено совершенствование математического обеспечения анализа взаимодействия в интегрированной образовательной среде на основе моделирования компетентностного портрета участников процесса обучения, которое отличается использованием статусных функций, что позволило осуществить формирование многокомпонентной оценки компетенций в форме комплекснозначных функций.Ключевые слова: статусные функции, эргатические системы, непрерывный канал связи, обучающие системы виртуальной реальности.1. Введение. Использование быстро развивающихся интегриро-ванных образовательных сред с виртуальными компонентами позволит обеспечить ряд стратегических преимуществ, среди которых основным является технологическое опережение конкурентов. Именно развитию подобных технологий должны быть посвящены основные разработки в области обеспечения качества образования. В первую очередь, это технические и программные технологии создания систем виртуальной реальности. Следующей масштабной проблемой является разработка систем оценивания когнитивного и мотивационно-психологического состояния обучаемых. Это проблема связана с разработкой математи-ческих моделей их состояния, с определением психологический ва-лидности, с созданием систем оценивания при использовании соответ-ствующих программно-технических средств. Третьей крупной про-блемой является изменение педагогических технологий и методик, обучение новых педагогов-наставников, готовых работать в принци-пиально новых условиях. Такая работа существенно изменит отноше-ния в системе образования, которая реализует миссию сохранения и ретрансляции культурных ценностей. Эта система консервативна и, по сути, не может быть другой. Для того, чтобы стала возможной ее ко-ренная трансформация, необходимо воспитать новое поколение.

show abstract

Human–Machine Interface of Rehabilitation Exoskeletons with Redundant Electromyographic Channels

Trifonov

Filist

Degtyarev

et al. 2020

Proceedings of 15th International Conference on Electromechanics and Robotics "Zavalishin's Readings"

View full text Add to dashboard Cite

Creation of the Facial Gestures Dlassifier Based on the Electromyogram Analysis

Cited by 5 publications

References 0 publications

Algorithm for calculating synapse weights of the first layer of a neural network on the base of metric recognition methods. Part 2

Algorithm for calculating synapse weights of the first layer of a neural network on the base of metric recognition methods. Part 2

The Status Functions Method for Processing and Interpretation of the Measurement Data of Interactions in the Educational Environment

Human–Machine Interface of Rehabilitation Exoskeletons with Redundant Electromyographic Channels

Contact Info

Product

Resources

About