معرفي شبكه هاي عصبي پيمانه اي عميق با ساختار فضايي -زماني دوگانه جهت بهبود بازشناسي گفتار پيوسته فارسي

در اين مقاله به معرفي شبكه هاي عصبي پيمانه اي عميق و قابل رشد به منظور بهبود بازشناسي گفتار پيوسته پرداخته مي شود. ساختار اين شبكه ها و روش هاي پيش تعليم معرفي شده براي آنها بگونه اي است كه درعين هماهنگي با ساختار گفتار، در حافظه و محاسبات لازم صرفه جويي ميشود. بدليل قابليت رشد اين ساختارها، مي توان در تعليم آنها اطلاعات فضايي-زماني بردارهاي بازنمايي در ورودي و اطلاعات فضايي-زماني برچسب آوايي آنها را در خروجي شبكه عصبي انجمن كرد. شبكه تعليم يافته با اين ساختار انجمنگر فضايي-زماني دوگانه، ميتواند زيرفضاي زنجيره هاي معتبر آوايي دادگان را يادبگيرد. بنابراين، در ساختار خود زنجيره هاي خروجي نامعتبر را پالايش كرده و زنجيره هاي درست را ميدهد. جهت بررسي عملكرد اين ساختارها، از دودسته دادگان گفتاري فارس دات و فارس دات بزرگ استفاده شد. نتايج آزمايش ها نشان مي دهند كه ميتوان دقت بازشناسي آوا را برروي دادگان فارس دات تا 2.7% با استفاده از شبكه هاي عصبي پيمانه اي عميق نسبت به مدل هاي مخفي ماركوف بالابرد. كه با توسعه آنها به ساختار فضايي-زماني دوگانه اين نتيجه تا 5.1% بهبودمي يابد. بدليل عدم وجود برچسب هاي آوايي براي دادگان بزرگ، يك روش تعليم نيمه سرپرستي شده براي تعليم شبكه هاي عصبي برروي اين دادگان پيشنهاد شده است كه ميتواند به درصد بازشناسي قابل مقايسه اي با مدلهاي مخفي ماركوف دست يابد.