CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

کاهش خطای طبقه بندی مدل مخفی مارکوف در بازشناسی گفتار فارسی با بکارگیری الگوریتم ژنتیکی در روند آموزش

اعتبار موردنیاز: ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۳۷۶۸ | نظرات: ۰
سال انتشار: ۱۳۸۵
کد COI مقاله: ICTM02_083
زبان مقاله: فارسی
حجم فایل: ۵۳۳.۸۷ کلیوبایت (فایل این مقاله در ۸ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۸ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله کاهش خطای طبقه بندی مدل مخفی مارکوف در بازشناسی گفتار فارسی با بکارگیری الگوریتم ژنتیکی در روند آموزش

  هدیه ساجدی - دانشجوی کارشناسی ارشد دانشگاه صنعتی شریف
  حسین ثامنی - استادیار دانشگاه صنعتی شریف
  حمید بیگی - استادیار دانشگاه صنعتی شریف

چکیده مقاله:

مدل مخفی مارکوف به عنوان یکی از مهمترین ابزارهای تحلیل دنباله های تصادفی با یک ساختارحالت متناهی معرفی شده است. امروزه اکثر سیستم های بازشناسی گفتار موفق مبتنی بر مدل سازی آماری، به کمک مدل مخفی مارکوف (HMM) عمل می کنند. زیرا الگوریتم های قوی و کارای بیشترین میزان شباهت، جهت یافتن پارامترهای مدل مخفی مارکوف ارائه شده اند. که با معلوم بودن ساختار مل و با استفاده از مجموعه ی دادگان آموزشی مناسب، می توانند پارامترهای مدل را با تخمین خوبی بدست آورند. اما هیچ تضمینی وجود ندارد که مدل بهینه ی بدست آمده، بهینه ی سراسری نیز باشد. از معایب دیگر این روشهای آموزش HMM، آن است که ملاک بیشترین میزان شباهت، توجهی به دقت بازشناسی سیستم نهایی ندارد. به عبارت دیگر، هر مدل بطور جداگانه و صرف نظر از وجود مدل های دیگر، به گونه ای آموزش می بیند که تا حد امکان بر نمونه های متناظر از مجموعه ی دادگان آموزشی منطبق کردد. روش کمترین خطای طبقه بندی ، یک الگوریتم تمایزی است که دقت بالاتری را نسبت به الگوریتم های بیشترین میزان شباهت نتیجه می دهد. مشکل اصلی این روش ناهموار بودن تابع تخمین نرخ خطاست. به همین دلیل استفاده از متد جستجوی گرادیان منجر به حصول بهینه محلی می گردد در این مقاله با بکارگیری الگوریتم ژنتیکی (GA) که قابلیت جستجوی بهینه ی عمومی را داراست و نیز با ایده گرفتن از روش آموزشی تمایزی MCE، در روند اموزش، پارامترهای مدل مخفی مارکوف پیوسته یک سیستم بازشناسی گفتار فارسی، طوری بدست آورده می شود که منجر به کاهش خطای طبقه بندی و در نتیجه بهبود دقت بازشناسی شود.

کلیدواژه‌ها:

مدل مخفی مارکوف ، آموزش تمایزی ، بازشناسی گفتار ، الگوریتم ژنتیکی ، کمترین خطای طبقه بندی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ICTM02-ICTM02_083.html
کد COI مقاله: ICTM02_083

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
ساجدی, هدیه؛ حسین ثامنی و حمید بیگی، ۱۳۸۵، کاهش خطای طبقه بندی مدل مخفی مارکوف در بازشناسی گفتار فارسی با بکارگیری الگوریتم ژنتیکی در روند آموزش، دومین کنفرانس بین المللی مدیریت فناوری اطلاعات و ارتباطات، تهران، ندای اقتصاد بامداد (ناب)، https://www.civilica.com/Paper-ICTM02-ICTM02_083.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (ساجدی, هدیه؛ حسین ثامنی و حمید بیگی، ۱۳۸۵)
برای بار دوم به بعد: (ساجدی؛ ثامنی و بیگی، ۱۳۸۵)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • S.Kwong, K.S. Tang , "A Genetic classificatio error method for ...
  • Assaf Ben-Yishai, David Burshtein, "A Di scrimiiative Training Algorithm for ...
  • Won, KJ, Prugel -Bennett, A. and Krogh , "Training HMM ...
  • Thomas Kiel Rasmussen, Tiemo Krink, "Improved Hidder Markov Model trairing ...
  • Eiben, Smith, springer, Itroduction to Evolutionary Computing, 2003 ...
  • Rene Thomsen, "Evolving the Topology of Hiddem Markov Models using ...
  • R.E. Dorsy, W.J. Mayer, " Geretic algorithms for estimatio problems ...
  • L.R. Rabiner, "A tutorial O hiddemn Morkov models and selected ...
  • B .H.Juang, Wu Chou, Chin-Hui Lee, "Miximum classificatio eror rate ...
  • Fang Sun, Guangui Hu, {{ Speech Recognitiom based oo genetic ...
  • C.M. Fanseca, P. J.Fleming, "An overview of evolutionary algoritbm in ...
  • Biig-Hwang Juang, Wu Chou ad ChinHui Le‌e. "Minimum classificatiom error ...
  • s .Kwong, Q. H.He, "Minimum Classification Error Rate Method using ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۱۸۲۹۳
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.