كاهش خطاي طبقه بندي مدل مخفي ماركوف در بازشناسي گفتار فارسي با بكارگيري الگوريتم ژنتيكي در روند آموزش  Fulltext 

[ هديه ساجدي ] - دانشجوي كارشناسي ارشد دانشگاه صنعتي شريف
[ حسين ثامني ] - استاديار دانشگاه صنعتي شريف
[ حميد بيگي ] - استاديار دانشگاه صنعتي شريف

خلاصه مقاله:

مدل مخفي ماركوف به عنوان يكي از مهمترين ابزارهاي تحليل دنباله هاي تصادفي با يك ساختارحالت متناهي معرفي شده است. امروزه اكثر سيستم هاي بازشناسي گفتار موفق مبتني بر مدل سازي آماري، به كمك مدل مخفي ماركوف (HMM) عمل مي كنند. زيرا الگوريتم هاي قوي و كاراي بيشترين ميزان شباهت، جهت يافتن پارامترهاي مدل مخفي ماركوف ارائه شده اند. كه با معلوم بودن ساختار مل و با استفاده از مجموعه ي دادگان آموزشي مناسب، مي توانند پارامترهاي مدل را با تخمين خوبي بدست آورند. اما هيچ تضميني وجود ندارد كه مدل بهينه ي بدست آمده، بهينه ي سراسري نيز باشد. از معايب ديگر اين روشهاي آموزش HMM، آن است كه ملاك بيشترين ميزان شباهت، توجهي به دقت بازشناسي سيستم نهايي ندارد. به عبارت ديگر، هر مدل بطور جداگانه و صرف نظر از وجود مدل هاي ديگر، به گونه اي آموزش مي بيند كه تا حد امكان بر نمونه هاي متناظر از مجموعه ي دادگان آموزشي منطبق كردد. روش كمترين خطاي طبقه بندي ، يك الگوريتم تمايزي است كه دقت بالاتري را نسبت به الگوريتم هاي بيشترين ميزان شباهت نتيجه مي دهد. مشكل اصلي اين روش ناهموار بودن تابع تخمين نرخ خطاست. به همين دليل استفاده از متد جستجوي گراديان منجر به حصول بهينه محلي مي گردد در اين مقاله با بكارگيري الگوريتم ژنتيكي (GA) كه قابليت جستجوي بهينه ي عمومي را داراست و نيز با ايده گرفتن از روش آموزشي تمايزي MCE، در روند اموزش، پارامترهاي مدل مخفي ماركوف پيوسته يك سيستم بازشناسي گفتار فارسي، طوري بدست آورده مي شود كه منجر به كاهش خطاي طبقه بندي و در نتيجه بهبود دقت بازشناسي شود.

مدل مخفي ماركوف ، آموزش تمايزي ، بازشناسي گفتار ، الگوريتم ژنتيكي ، كمترين خطاي طبقه بندي