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 بازشناسی گفتار تشخیص گفتار انسان توسط ماشین (کد6680)
دانلود پاورپوینت بازشناسی گفتار تشخیص گفتار انسان توسط ماشین (کد6680)
شناسه محصول و کد فایل : 6680
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 !!!!
توضیحات محصول دانلود پاورپوینت بازشناسی گفتار تشخیص گفتار انسان توسط ماشین (کد6680)
دانلود پاورپوینت بازشناسی گفتار تشخیص گفتار انسان توسط ماشین
\nپاورپوینت کامل بازشناسی گفتار
\n \n\n عنوان های پاورپوینت : \n\n \n\nبازشناسی گفتار تشخیص گفتار انسان توسط ماشین\n\nبازشناسی گفتار (Speech Recognition)\n\n \n\nبازشناسی گفتار: واحد آوایی\n\nبازشناسی گفتار\n\nدادگان های گفتاری\n\nبازشناسی گفتار: اجزای اصلی\n\nبازشناسی گفتار: استخراج ویژگی\n\nبازشناسی گفتار: مدل سازی آکوستیک\n\nبازشناسی گفتار: decoding\n\nبازشناسی گفتار: مجموعه واژگان\n\nبازشناسی گفتار: مدل سازی زبانی\n\nمدل سازی آکوستیک: مدل مخفی مارکوف\n\n \n\ndecoding\n\n \n\nبازشناسی گفتار: ارزیابی\n\n \n\n\n\nقسمت ها و تکه های اتفاقی از فایل\n\nبازشناسی گفتار: استخراج ویژگی\n\nاستخراج ویژگی: سیگنال گفتار به بخش های کوچکی به نام فریم تقسیم می شود و از هر فریم یک بردار ویژگی شامل تعدادی ضریب بازنمایی استخراج می گردد.\n\n \n\nهدف: کاهش حجم محاسبات و حذف افزونگی‌های موجود در سیگنال گفتار\n\nطول فریم ها: ۱۰ تا ۵۰ میلی ثانیه (با هم پوشانی ۲۵% تا ۷۵% بین فریم ها)\n\nتعداد ضرایب استخراجی از هر فریم: بین ۱۰ تا ۱۳ ضریب\n\nروش های رایج\n\nضرایب کپستروم در مقیاس مل (MFCC)\n\nضرایب پیشگویی خطی (LPC)\n\nبازشناسی گفتار: مدل سازی آکوستیک\n\nبا استفاده از داده های آموزشی، یک مدل آکوستیک برای هر واحد آوایی آموزش داده می شود.\n\nداده های آموزشی متناسب با کاربرد از یک دادگان گفتاری مناسب انتخاب می شوند.\n\nمرحله استخراج ویژگی برای تمام داده های آموزشی انجام می شود و با استفاده از بردارهای ویژگی استخراج شده، مدل های آکوستیک آموزش داده می شوند.\n\nمعمولاً برای هر واحد آوایی یک مدل آکوستیک آموزش داده می شود.\n\nروش های رایج در مدل سازی آکوستیک\n\nمدل مخفی مارکوف ( HMM)\n\nانطباق زمانی پویا (DTW)\n\nشبکه عصبی مصنوعی (ANN)\n\nروش های ترکیبی\n\nبازشناسی گفتار: decoding\n\nمرحله decoding در فاز استفاده (آزمون) از سیستم بازشناسی گفتار صورت می گیرد.\n\n \n\nدر مرحله decoding گفتار ورودی پس از استخراج ویژگی، با مدل های آموزش دیده شده مقایسه می گردد و بهترین دنباله از واحدهای آوایی منطبق با گفتار ورودی استخراج می شود.\n\n \n\nدر بازشناسی گفتار با کلمات مجزا مرحله decoding ساده است.\n\nگفتار ورودی با مدل آکوستیک هر یک از واحدهای آوایی مقایسه می شود و میزان شباهت آن با هر یک از مدل ها مقایسه می گردد.\n\nخروجی سیستم بازشناسی واحد آوایی یا کلمه ای است که شباهت مدل آن با گفتار ورودی ماکزیمم باشد.\n\nدر بازشناسی گفتار پیوسته مرحله decoding پیچیده و مستلزم جستجو در فضای حالت های مدل های آوایی است.\n\nدر بازشناسی گفتار پیوسته از مدل زبانی و مجموعه واژگان برای هدایت رویه جستجو استفاده می شود.\n\nبازشناسی گفتار: decoding\n\nبازشناسی گفتار: مجموعه واژگان\n\nمجموعه واژگان (lexicon): مجموعه لغاتی که سیستم بازشناسی قادر به تشخیص آنها می باشد.\n\n \n\nبسته به کاربرد سیستم بازشناسی، مجموعه واژگان می تواند کوچک، متوسط، بزرگ یا بسیار بزرگ باشد.\n\n \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(۱) s A z m A n\n\nسازمان(۲) s A z e m A n\n\nمرد(۱) m a r d\n\nمرد(۲) m o r d\n\n... ...\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\n \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\n \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\n \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 ۳ تا ۷ 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\n \n\n \n\n \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\n \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\n \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\n \n\n۱- 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\n۲- به ازای هر یک از واج های زبان تمام دنباله بردارهای ویژگی آن در دادگان گفتاری جمع آوری می شود.\n\n۳- دنباله بردارهای ویژگی بین state های HMM مربوط به آن واج به طور مساوی تقسیم می گردند.\n\n۴- 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\n۵- احتمال پرش بین stateها با استفاده از شمارش دنباله state منتسب به دنباله بردارهای ویژگی به دست می آید.\n\n۶- 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\n۷- مراحل ۴ تا ۶ 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 دهنده آن به صورت زنجیروار به هم متصل شده و یک HMM بزرگ به وجود می آورند.\n\n \n\n۳۰ تا ۷۰ درصد پروژه / پاورپوینت / پاور پوینت / سمینار / طرح های کار افرینی / طرح توجیهی / پایان نامه/ مقاله ( کتاب ) های اماده به صورت رایگان میباشد
