3 نتیجه برای ابوالقاسم صیادیان
ابوالقاسم صیادیان،
دوره 17، شماره 2 - ( 1-1377 )
چکیده
ذخیره سازی و یا ارسال سیگنال صحبت با کیفیت بالا با نرخهای بیت خیلی پایین یکی از مسائل تحقیقاتی مورد توجه برای مدمهای پیشرفته (که باید صحبت، تصویر و داده ها را به طور همزمان در یک کانال KHZ 4 ارسال کند)، سیستمهای پست صوتی و بی-سیمهای HF3 و ... است. در طی این تحقیق با استفاده از درونیابهای تصادفی بین فریمی4 و همچنین چندی کننده های برداری درون فریمی5، قادر به کد کردن سیگنال صحبت با نرخ BPS1200 و با کیفیت خیلی خوب شدیم. کیفیت سیگنال بازسازی شده قابل رقابت با کدکننده های BPS4800 مطرح (مانند CELP ) بوده است. البته کاهش نرخ به BPS1200 همراه با افزایش تأخیر الگوریتم کدینگ از ms20 به ms40 و همچنین افزایش اندکی در بار محاسباتی حاصل شده است.
ابوالقاسم صیادیان،
دوره 18، شماره 1 - ( 1-1378 )
چکیده
روشهای تصدیق هویت افراد از طریق بیان کلمات یا جملات مشخص، دارای کاربرد فراوانی اند. وقتی تعداد کلمات یا جملات مورد توافق یا تعداد افراد برای تعیین هویت گفتاری کم باشد، از روشهای بهینه DTW1 برای این منظور می توان استفاده کرد. چنانچه تعداد کلمات یا جملات زیاد باشد و یا اینکه سیستم برای تعداد افراد زیاد طراحی شود، استفاده از روش DTW مقرون به صرفه نیست (به علت نیاز به بار محاسباتی و حجم حافظۀ بالا). در چنین مواقعی از چندی کننده های برداری یا ماتریسی می توان استفاده کرد. در طی این تحقیق از روش چندی کردن ماتریسی به علت کارایی بالاتر استفاده کرده ایم. همچنین برای افزایش کارایی سیستم از اطلاعات تحریک (شامل کانتورگین و فرکانس پیچ) نیز به نحو مناسبی استفاده کرده ایم. استفاده از اطلاعات تحریک به قسمی انجام پذیرفته که سیستم در مقابل تقلید ماهرانه مقاوم2 است.
ابوالقاسم صیادیان، کامبیز بدیع، محمد شهرام معین و نصرالله مقدم،
دوره 23، شماره 2 - ( 10-1383 )
چکیده
مدل‌سازی آماری HMM رویکردی پرکاربرد در سیستمهای بازشناسی گفتار پیوسته و گسسته است. توزیع احتمال بردارهای مشاهدات هر حالت پنهان مدل، به دو روش پیوسته3 یا گسسته4 تخمین زده می‌شوند. عملکرد توزیع احتمال پیوسته (با مدل‌سازی GMM5) بالاتر از عملکرد توزیع احتمال گسسته (با مدل‌سازی VQ6) است. ولی چنانچه بخواهیم از رویکرد HMM برای بازشناسی گفتار گسسته با دایره لغات وسیع استفاده کنیم، هزینه محاسباتی مرحله بازشناسی با افزایش تعداد لغات، به نحو چشمگیری افزایش می‌یابد. بدین لحاظ در بازشناسی گفتار گسسته با دایره لغات وسیع، از توزیع احتمال گسسته به منظور کاهش هزینه محاسباتی و امکان پیاده‌سازی بی درنگ7 استفاده می‌شود. برای جبران کاهش دقت و عملکرد مدل‌سازی DD-HMM، استفاده از درون‌یابی فازی FI مرسوم است. در این تحقیق روش درون‌یابی گوسی که دارای پشتوانه نظری قوی‌تر نسبت به FI است ارائه کرده‌ایم. کارایی دو روش درون‌یابی KNNGI و FI در بازشناسی 1500 کلمه فارسی مورد تحقیق و بررسی قرار دادیم. نتایج این تحقیق نشان می‌دهد که دقت و انعطاف‌پذیری درون‌یابی KNNGI بیشتر از روش FI است.
