مقاله بهبود بازشناسی گفتارتوسط شبکه های عصبی دربرگیرنده الگوهای زمانی در pdf دارای 8 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله بهبود بازشناسی گفتارتوسط شبکه های عصبی دربرگیرنده الگوهای زمانی در pdf کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.

این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله بهبود بازشناسی گفتارتوسط شبکه های عصبی دربرگیرنده الگوهای زمانی در pdf ،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله بهبود بازشناسی گفتارتوسط شبکه های عصبی دربرگیرنده الگوهای زمانی در pdf :

سال انتشار: 1386

محل انتشار: سومین کنفرانس بین المللی فناوری اطلاعات و دانش

تعداد صفحات: 8

نویسنده(ها):

یاسر شکفته – دانشکده مهندسی پزشکی دانشگاه صنعتی امیرکبیر
فرشاد الماس گنج – دانشکده مهندسی پزشکی دانشگاه صنعتی امیرکبیر

چکیده:

الگوهای زمانی یا"Temporal Patterns" از جمله ویژگی های موثر در بهبود بازشناسی گفتار می باشند . از آنجا که شبکه های عصبی MLP ، جزو طبقه بندی کننده های قدرتمند استاتیک می باشند، اگر بخواهیم از این نوع ساختار شبکه ای در بازشناسی گفتار استفاده کنیم، بهتر است به هر صورت ممکن، شبکه را وادار سازیم، الگوهای زمانی را از دنباله ویژگی های ورودی یادگیری نموده و آن را در فرآیند دسته بندی قاب های ورودی گفتار دخالت دهد . در این مقاله، با بررسی و آزمایش این شبکه و مدل های دیگر شبکه ایِ که به صورتی قوی تر به پردازش و یادگیری ویژگی های مبتنی بر الگوهای زمانی می پردازند، سعی در افزایش کارایی سیستم های بازشناس گفتار پیوسته و مستقل از گوینده خواهیم داشت . همچنین به تحلیل نوع عملکرد این روش ها و مدل های مبتنی بر آن ها خواهیم پرداخت . با در نظر گرفتن نتایج یک مدل پایه بازشناس "TDNN" که بازدهی حدود %83,7 بر روی داده تست انتخابی ما از دادگان فارس دات داشته است، با استفاده از یک مدل ترکیبی ارائه شده در تحقیق حاضر، میزان بازشناسی %88,1 در دادگان آزمون تمیز حاصلشده است . در حالی که مدل ترکیبی پیشنهادی، نسبت به مدل پایه بازشناس "TDNN" در شرایط نویز شدید، بین 7 تا 20 درصد مقاوم تر از شبکه "TDNN" عمل می نماید . همچنین مدل ترکیبی دیگری معرفی می گردد که به علت استفاده متمرکزتر از ویژگی الگوهای زمانی، مقاوم تر از مدل ترکیبی اولیه، در شرایط نویز شدید عمل می نماید .