کاهش خطای طبقه بندی مدل مخفی مارکوف در بازشناسی گفتار فارسی با بکارگیری الگوریتم ژنتیکی در روند آموزش

Publish Year:

1385

نوع سند:

مقاله کنفرانسی

زبان:

Persian

View:

4,435

This Paper With 8 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ICTM02_083

تاریخ نمایه سازی: 9 دی 1385

Abstract:

مدل مخفی مارکوف به عنوان یکی از مهمترین ابزارهای تحلیل دنباله های تصادفی با یک ساختارحالت متناهی معرفی شده است. امروزه اکثر سیستم های بازشناسی گفتار موفق مبتنی بر مدل سازی آماری، به کمک مدل مخفی مارکوف (HMM) عمل می کنند. زیرا الگوریتم های قوی و کارای بیشترین میزان شباهت، جهت یافتن پارامترهای مدل مخفی مارکوف ارائه شده اند. که با معلوم بودن ساختار مل و با استفاده از مجموعه ی دادگان آموزشی مناسب، می توانند پارامترهای مدل را با تخمین خوبی بدست آورند. اما هیچ تضمینی وجود ندارد که مدل بهینه ی بدست آمده، بهینه ی سراسری نیز باشد. از معایب دیگر این روشهای آموزش HMM، آن است که ملاک بیشترین میزان شباهت، توجهی به دقت بازشناسی سیستم نهایی ندارد. به عبارت دیگر، هر مدل بطور جداگانه و صرف نظر از وجود مدل های دیگر، به گونه ای آموزش می بیند که تا حد امکان بر نمونه های متناظر از مجموعه ی دادگان آموزشی منطبق کردد. روش کمترین خطای طبقه بندی ، یک الگوریتم تمایزی است که دقت بالاتری را نسبت به الگوریتم های بیشترین میزان شباهت نتیجه می دهد. مشکل اصلی این روش ناهموار بودن تابع تخمین نرخ خطاست. به همین دلیل استفاده از متد جستجوی گرادیان منجر به حصول بهینه محلی می گردد در این مقاله با بکارگیری الگوریتم ژنتیکی (GA) که قابلیت جستجوی بهینه ی عمومی را داراست و نیز با ایده گرفتن از روش آموزشی تمایزی MCE، در روند اموزش، پارامترهای مدل مخفی مارکوف پیوسته یک سیستم بازشناسی گفتار فارسی، طوری بدست آورده می شود که منجر به کاهش خطای طبقه بندی و در نتیجه بهبود دقت بازشناسی شود.

Authors

هدیهساجدی
هدیه ساجدی

دانشجوی کارشناسی ارشد دانشگاه صنعتی شریف

حسینثامنی
حسین ثامنی

استادیار دانشگاه صنعتی شریف

حمیدبیگی
حمید بیگی

استادیار دانشگاه صنعتی شریف

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • S.Kwong, K.S. Tang , "A Genetic classificatio error method for ...
  • Assaf Ben-Yishai, David Burshtein, "A Di scrimiiative Training Algorithm for ...
  • Won, KJ, Prugel -Bennett, A. and Krogh , "Training HMM ...
  • Thomas Kiel Rasmussen, Tiemo Krink, "Improved Hidder Markov Model trairing ...
  • Eiben, Smith, springer, Itroduction to Evolutionary Computing, 2003 ...
  • Rene Thomsen, "Evolving the Topology of Hiddem Markov Models using ...
  • R.E. Dorsy, W.J. Mayer, " Geretic algorithms for estimatio problems ...
  • L.R. Rabiner, "A tutorial O hiddemn Morkov models and selected ...
  • B .H.Juang, Wu Chou, Chin-Hui Lee, "Miximum classificatio eror rate ...
  • Fang Sun, Guangui Hu, {{ Speech Recognitiom based oo genetic ...
  • C.M. Fanseca, P. J.Fleming, "An overview of evolutionary algoritbm in ...
  • Biig-Hwang Juang, Wu Chou ad ChinHui Le‌e. "Minimum classificatiom error ...
  • s .Kwong, Q. H.He, "Minimum Classification Error Rate Method using ...