دوره 23، شماره 2 - ( 10-1383 )
جلد 23 شماره 2 صفحات 10-1 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
A. Sayadiyan, K. Badi, M. Moin and N. Moghadam. Presentation of K Nearest Neighbor Gaussian Interpolation and comparing it with Fuzzy Interpolation in Speech Recognition. Computational Methods in Engineering 2005; 23 (2) :1-10
URL: http://jcme.iut.ac.ir/article-1-314-fa.html
URL: http://jcme.iut.ac.ir/article-1-314-fa.html
ابوالقاسم صیادیان ، کامبیز بدیع ، محمد شهرام معین و نصرالله مقدم . ارائه درون‌یابی KNNGI و مقایسه آن با درون‌یابی FI در بازشناسی گفتار. روشهای عددی در مهندسی. 1383; 23 (2) :1-10
چکیده: (4326 مشاهده)
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.
