342000
پاورپوینت
130560
کاربر
2369700
دانلود فایل
ساخت پاوپوینت با هوش مصنوعی
کم تر از 5 دقیقه با هوش مصنوعی کافه پاورپوینت ، پاورپوینت بسازید
برای شروع ساخت پاورپوینت کلیک کنید
شما در این مسیر هستید :خانه / محصولات / Powerpoint / دانلود پاورپوینت تحلیل و بررسی اجزای اصلی بازشناسی گفتار (کد14150)
سفارش انجام پاورپوینت - بهترین کیفیت - کم ترین هزینه - تحویل در چند ساعت 09164470871 ای دی e2proir
دانلود پاورپوینت تحلیل و بررسی اجزای اصلی بازشناسی گفتار (کد14150)
شناسه محصول و کد فایل : 14150
نوع فایل : Powerpoint پاورپوینت
قابل ویرایش تمامی اسلاید ها دارای اسلاید مستر برای ویرایش سریع و راحت تر
امکان باز کردن فایل در موبایل - لپ تاپ - کامپیوتر و ...
با یک خرید میتوانید بین 342000 پاورپینت ، 25 پاورپوینت را به مدت 7 روز دانلود کنید
فایل های مشابه شاید از این ها هم خوشتان بیاید !!!!
دانلود پاورپوینت تحلیل و ارزیابی ملزومات یک ارتباط مبتنی بر پروتکل امنیتی ssl و بررسی مکانیزم‌های تشکیل‌دهنده ssl (کد14161)
دانلود پاورپوینت سیر تاریخی ورزش‌های همگانی و بررسی عوامل موثر بر مشارکت افراد در ورزش همگانی (کد14154)
توضیحات محصول دانلود پاورپوینت تحلیل و بررسی اجزای اصلی بازشناسی گفتار (کد14150)
دانلود پاورپوینت تحلیل و بررسی اجزای اصلی بازشناسی گفتار
\nSpeech Recognition
\n\nعنوان های پاورپوینت :
\n\nتحلیل و بررسی اجزای اصلی بازشناسی گفتار
\nSpeech Recognition
\nبازشناسی گفتار (Speech Recognition)
\nبازشناسی گفتار
\nبازشناسی گفتار: واحد آوایی
\nبازشناسی گفتار
\nدادگان های گفتاری
\nبازشناسی گفتار: اجزای اصلی
\nبازشناسی گفتار: استخراج ویژگی
\nبازشناسی گفتار: مدل سازی آکوستیک
\nبازشناسی گفتار: decoding
\nبازشناسی گفتار: مجموعه واژگان
\nبازشناسی گفتار: مدل سازی زبانی
\nمدل سازی آکوستیک: مدل مخفی مارکوف
\nمدل سازی آکوستیک: آموزش HMMها
\ndecoding
\nبازشناسی گفتار: ارزیابی
\n\n \n\n\n\nقسمت ها و تکه های اتفاقی از فایل\n\n \n\nبازشناسی گفتار: مجموعه واژگان\n\nمجموعه واژگان (lexicon): مجموعه لغاتی که سیستم بازشناسی قادر به تشخیص آنها می باشد.\n\nبسته به کاربرد سیستم بازشناسی، مجموعه واژگان می تواند کوچک، متوسط، بزرگ یا بسیار بزرگ باشد.\n\nدر بازشناسی گفتار پیوسته و با واژگان بزرگ که واحد آوایی معمولاً واج انتخاب می شود، هر یک از کلمات مجموعه واژگان باید دارای معادل یا معادل های واجی باشد:\n\nباران b A r A n\n\nسازمان(1) s A z m A n\n\nسازمان(2) s A z e m A n\n\nمرد(1) m a r d\n\nمرد(2) m o r d\n\n... ...\n\nابهام آکوستیکی: کلماتی که شکل نوشتاری متمایز ولی تلفظ یکسان یا شبیه به هم دارند [هم آوا] سبب ایجاد ابهام آکوستیکی شده و ممکن است بجای یکدیگر بازشناسی شوند\n\nمثال: «سمر» و «ثمر» - «خواستن» و «خاستن» - «خویش» و «خیش» - «ارز» و «عرض» و «ارض» - و ...\n\nبازشناسی گفتار: مدل سازی زبانی\n\nمدل زبانی برای هدایت رویه decoding در بازشناسی به کار می رود.\n\nدر بازشناسی گفتار متصل (connected) معمولاً از یک گرامر ساده که نحوه توالی لغات را مشخص می کند، به عنوان مدل زبانی استفاده می شود.\n\nدر بازشناسی گفتار پیوسته معمولاً از مدل زبانی آماری استفاده می شود.\n\nرایج ترین مدل زبانی: مدل n-gram\n\nبا توجه به کلمات بازشناسی شده قبلی، مدل زبانی آماری محتمل ترین کلمات بعدی را پیش بینی می کند.\n\nدر نهایت دنباله ای از لغات به عنوان خروجی بازشناسی انتخاب می شود که حاصلضرب امتیازهای مدل آکوستیک و مدل زبانی آن ماکزیمم باشد.\n\nمشکل هم نگاره ها: کلماتی که شکل نوشتاری آنها یکسان ولی تلفظ آنها متفاوت می باشد [هم نگاره] برای استخراج مدل زبانی مشکل ایجاد می کنند:\n\nمثال: «نُه» و «نه» - «مرد» و «مُرد» - «مهر» و «مُهر» - «گل» و «گِل» - ...\n\nمدل سازی آکوستیک: مدل مخفی مارکوف\n\nمدل مخفی مارکوف (HMM) رایج ترین مدل آکوستیک در بازشناسی گفتار می باشد.\n\nحالات مختلفی که سیگنال گفتار در حین ادا شدن از آن عبور می کند را به عنوان state های HMM در نظر می گیریم.\n\nدر مدل سازی واج ها معمولاً برای هر HMM بین 3 تا 7 state در نظر گرفته می شود.\n\nدر بازشناسی گفتار، HMM ها معمولاً دارای مشاهدات پیوسته در هر state می باشند.\n\nتابع چگالی احتمال مشاهدات در هر state معمولاً به صورت توزیع گوسی در نظر گرفته می شود.\n\nپرش بین حالت ها معمولاً به صورت چپ به راست در نظر گرفته می شود.\n\nمدل سازی آکوستیک: مدل مخفی مارکوف\n\nاحتمال وقوع بردار مشاهده در حالت (state) s در HMM با چگالی پیوسته گوسی (با فرض مستقل بودن ابعاد بردار مشاهده):\n\nبا فرض وجود یک توزیع گوسی در هر state و با فرض مستقل بودن ابعاد بردار مشاهدات، هر state دارای یک بردار میانگین و یک بردار واریانس می باشد.\n\nپارامترهای HMM شامل ماتریس پرش بین stateها و بردارهای میانگین و و واریانس توزیع گوسی در هر state می باشد.\n\nمدل سازی آکوستیک: آموزش HMMها\n\nدر مرحله آموزش، پارامترهای HMM با استفاده از داده های آموزشی تخمین زده می شوند.\n\nبا فرض داشتن تقطیع واجی در دادگان آموزشی، الگوریتم segmental K-means به صورت زیر برای آموزش HMM هر واج به کار می رود:\n\n1- برای سیگنال های گفتاری تمام واج ها در دادگان گفتاری استخراج ویژگی صورت می گیرد و دنباله ای از بردارهای ویژگی برای هر واج استخراج می گردد.\n\n2- به ازای هر یک از واج های زبان تمام دنباله بردارهای ویژگی آن در دادگان گفتاری جمع آوری می شود.\n\n3- دنباله بردارهای ویژگی بین state های HMM مربوط به آن واج به طور مساوی تقسیم می گردند.\n\n4- میانگین و واریانس بردارهای مربوط به هر state محاسبه شده و به عنوان پارامترهای توزیع گوسی در آن state در نظر گرفته می شود.\n\n5- احتمال پرش بین stateها با استفاده از شمارش دنباله state منتسب به دنباله بردارهای ویژگی به دست می آید.\n\n6- به ازای هر نمونه از هر واج، یک الگوریتم ویتربی به ازای دنباله بردارهای ویژگی آن واج (دنباله مشاهدات) و دنباله stateهای HMM مربوط به آن واج اجرا می شود که در نتیجۀ آن بردارهای ویژگی به state های جدیدی منتسب می شوند.\n\n7- مراحل 4 تا 6 تکرار می شود تا زمانی که پارامترهای HMM به همگرایی برسند.\n\nمدل سازی آکوستیک: آموزش HMMها\n\nدر صورتی که دادگان آموزشی دارای تقطیع واجی نباشد، به ازای هر جمله (utterance) در دادگان گفتاری، HMMهای مربوط به واج های تشکیل دهندة آن به صورت زنجیروار به هم متصل شده و یک HMM بزرگ به وجود می آورند.\n\nالگوریتم segmental K-means با استفاده از این HMM های بزرگ انجام می گردد.\n\ndecoding\n\nمرحله decoding واج ها معمولاً با استفاده از الگوریتم ویتربی انجام می شود.\n\ndecoding\n\nفریم های گفتار به عنوان مشاهدات و stateهای HMM به عنوان مجموعه حالتهای پنهان به کار می روند.\n\nاز شکل گسترش یافته ای از الگوریتم ویتربی استفاده می شود که به جای بهترین مسیر، N بهترین مسیر را محاسبه می کند.\n\nخروجی الگوریتم ویتربی N بهترین مسیر از بین stateهای HMM مربوط به واج ها است.\n\nبراساس اینکه هر state مربوط به چه واجی می باشد، دنباله واج های موجود در گفتار به دست می آید.\n\nهر کدام از N بهترین دنباله واجی یک فرضیه خروجی را تشکیل می دهند.\n\nامتیاز حاصل از الگوریتم ویتربی برای هر فرضیه، امتیاز آکوستیک آن فرضیه را تشکیل می دهد.\n\ndecoding\n\nمرحله decoding کلمات معمولاً با استفاده از یک درخت واژگان (lexicon tree) صورت می گیرد.\n\ndecoding\n\nپس از شناسایی دنباله واج های گفتار، درخت واژگان بر اساس آن دنباله واج دنبال می شود و کلمات تشکیل دهنده دنباله واج ورودی به دست می آید.\n\nهنگامی که در درخت واژگان به یک گره نهایی می رسیم یک کلمه جدید تشکیل می شود و امتیاز مدل زبانی آن کلمه اعمال می گردد.\n\nدنباله واجی مربوط به هر فرضیه خروجی ممکن است دنباله کلمات متفاوتی تولید کنند و بدین ترتیب فرضیه های جدیدی تشکیل شود.\n\nفرضیه های واجی که معادلی در درخت واژگان ندارند حذف می شوند.\n\nاز بین N بهترین فرضیه خروجی، فرضیه ای که حاصلضرب امتیازهای آکوستیک و زبانی آن بیشتر باشد انتخاب به عنوان خروجی نهایی انتخاب می گردد.\n\nبازشناسی گفتار: ارزیابی\n\nمعمولاً مجموعه ای از utterance ها (فایل های گفتاری) همراه با برچسب کلمه ای آنها به عنوان مجموعه آزمون به کار می رود.\n\nمعمولاً شرایط آکوستیکی داده های آزمون مشابه با شرایط آکوستیکی داده های آموزش می باشد.\n\nبه منظور ارزیابی بازشناسی، دنباله کلمات خروجی سیستم بازشناسی با دنباله کلمات موجود در برچسب فایل های ورودی (دنباله کلمات صحیح) مقایسه و منطبق می شود.\n\nانواع خطاهای بازشناسی\n\nخطای جایگزینی (substitution): یک کلمه به جای یک کلمۀ دیگر بازشناسی گردد.\n\nدر بازشناسی گفتار مجزا و بازشناسی گفتار متصل فقط همین نوع خطا وجود دارد.\n\nخطای حذف (deletion): یک کلمه که در گفتار وجود دارد، در خروجی بازشناسی حذف گردد.\n\nخطای درج (insertion): یک کلمه که در گفتار وجود ندارد، در خروجی بازشناسی اضافه گردد.\n\n \n\n \n\n30 تا 70 درصد پروژه | پاورپوینت | سمینار | طرح های کارآفرینی و توجیهی | پایان-نامه | پی دی اف مقاله ( کتاب ) | نقشه | پلان طراحی | های آماده به صورت رایگان میباشد ( word | pdf | docx | doc )
