نوار کناری
درس:۴۰۸۳۳
بازشناسی گفتار
Speech Recognition
| شماره درس: ۴۰۸۳۳ | تعداد واحد: ۳ |
| مقطع: کارشناسی ارشد | نوع درس: نظری |
| پیش‌نیاز: – | هم‌نیاز: – |
اهداف درس
هدف این درس آشنایی دانشجویان کارشناسی ارشد و دکترا با مفاهیم مطرح در بازشناسی گفتار و ابزارهای مورد استفاده به صورت کلاسیک و نیز ابزارهای جدید برای بازشناسی گفتار می‌باشد. در ابتدا مقدماتی در مورد تولید و درک گفتار و نیز واج‌شناسی تکلمی و صوتی ارائه می‌شود. سپس روش‌های پیش‌پردازش سیگنال گفتاری به منظور بازشناسی گفتار اعم از فیلتر بانک‌های مختلف و روش‌های مرسوم دیگر مورد بحث قرار می‌گیرد. معیارهای مختلف مقایسه الگو، روش پیچش زمانی پویا، مدل پنهان مارکوف و روش‌های آموزش و بازشناسی با آن نیز مطرح می‌شود. سپس وظایف سامانه‌های بازشناسی در سه بخش بازشناسی کلمات گسسته، کلمات متصل و گفتار پیوسته مورد بحث قرار می‌گیرد و نیز ساختار شبکه‌های عصبی ژرف و نحوه کاربرد و نتایج حاصل از آنها در بازشناسی گفتار پیوسته مطرح می‌گردد.
ریز مواد
- مقدمات
- مقدمه اي بر بازشناسي گفتار
- توليد گفتار، اكوستيك-فونتيك، مدل گويايي
- درك گفتار، مدل‌هاي گوش، مدل‌هاي شنيداري
- خواندن طيف‌نگار (spectrogram)
- پيش‌پردازش گفتار
- بانک فيلترها
- چندي سازي برداري
- ضرايب پيشگويي خطي
- ضرايب مل كپسترال
- مقايسه الگو
- انواع معيارهاي فاصله
- فواصل کپسترال
- فواصل درستنمايي
- فواصل باند بحراني
- ويژگيهاي پويا در معيارهاي فاصله
- پيچش زماني پويا
- ترازبندي و هنجارسازي زماني
- ملاحظات برنامه‌ريزي پويا
- محدوديت‌هاي هنجارسازي زماني
- مدل پنهان ماركوف
- زنجيره مارکوف گسسته
- مدل پنهان مارکوف
- الگوريتم ويتربي
- حل سه مسئله اساسي HMM
- انواع HMM
- بازشناسي کلمات گسسته با HMM
- بازشناسي کلمات متصل
- الگوريتم دوسطحي برنامه‌ريزي پويا
- الگوريتم سطح سازي
- به‌کارگيري شبکه دستوري
- الگوريتم one-pass
- بازشناسي پيوسته با واژگان بزرگ
- واحدهاي گفتاري زيرواژه
- مدل‌هاي زباني براي LVCSR
- سرگشتگي
- گرامر زوج کلمه
- گره‌زدن حالات و درخت تصميم‌گيري
- راهبردهاي جستجو در بازشناسي گفتار
- جستجوي شعاعي
- جستجوي A*
- جستجوي گرامري
- جستجوي درختي
- جستجوي برخط
- ايجاد تعادل بين خطاهاي درج و حذف
- تشخيص کلمات خارج از واژگان
- شبکه‌هاي ژرف در بازشناسي گفتار
- سامانه‌هاي بازشناسي مرسوم: HMM/DNN
- جايگزيني GMMها با ANN
- شبکه‌هاي باور ژرف، شبکه‌هاي عصبي ژرف، ماشين محدود بولتزمان
- جايگزيني HMMها با ANN
- سامانه‌هاي بازشناسي گفتار ابتدا به انتها
ارزیابی
- تکالیف تئوری و عملی: ۲۰٪
- کوییزها: ۱۵٪
- پروژه درسی: ۱۰٪
- امتحان نیم‌ترم: ۲۵٪
- امتحان پایان ترم: ۳۰٪
مراجع
- Rabiner & Juang, Fundamentals of Speech Recognition, Prentice-Hall, 1993.
- Huang, Acero & Hon, Spoken Language Processing, Prentice Hall, 2001.
- Dong Yu & Li Deng, Automatic Speech Recognition, A Deep Learning Approach, Springer-Verlag, 2015
- Deller, Proakis & Hansen. Discrete-time processing of speech signals, Prentice Hall, 1999.
درس/۴۰۸۳۳.txt · آخرین ویرایش: 2021/06/28 22:28 توسط محمد حسین رهبان