Gizli Markov model ile bilgisayarda konuşma tanıma: Özellik uzayında ve altuzayda sınıflandırıcı tasarımı
Computer speech recognition: Design of a classifier in feature space and subspaces
- Tez No: 84480
- Danışmanlar: PROF. DR. ATALAY BARKANA
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: örüntü sınırlandırıcıları, Gizli Markov Model, altuzay sınıf landırıcıları, ortak vektör yaklaşımı, konuşma tanıma, Bilgisayarlar, Saklı Markov modeli, Uzay, pattern classifiers, Hidden Markov Models, subspace classifiers, com mon vector approach, speech recognition, Computers, Hidden Markov model, Space
- Yıl: 1999
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Özet Gizli Markov Model'ler örüntü tanıma sistemlerinde iyi bilinen sınıflandırıcılardan biridir. Bu modeller konuşma gibi istatistiksel özellikleri zamanla değişen sinyallerin modellenmesinde kullanılır. Çeşitli yayınlarda Gizli Markov Model sınırlandırıcıların düşük hata oranları verdiği bildirilmiştir. Bundan dolayı Gizli Markov modelleme tekniği bir çok ticari ses ve örüntü tanıma uygulamalarında yaygın olarak kullanılmak tadır. Altuzay metotları diğer bir örüntü sınıflama alanıdır. Bu metotlarda her sınıf bir altuzay üe temsil edilir. Altuzay, sınıf içinde istatistiksel olarak en önemli özellikler yönündeki bileşenler alınarak elde edilir. CLAFIC ve Ortak Vektör Yaklaşımı gibi altuzay metotları oldukça basit karar kuralı kullanırlar. Bu nedenle hesaplama çok kolaydır ve sınıflama çok kasa sürede yapılabilir. Bu tez çalışmasında, Gizli Markov Model kullanılarak hem özellik uzayında hem de altuzayda içerik bağımlı sınırlandırıcılar tasarlanmıştır. Sınırlandırıcılar ayrık kelime ta banı kullanılarak test edilmiştir. Sonuçlar altuzay sınıflandırıcıları ile karşılaştırılmıştır. Deneysel sonuçlar Gizli Markov Model'lerin özellik uzayında ve altuzayda yüksek peformanslı sınırlandırıcı olarak kullanılabileceğini göstermiştir. Bu çalışmada ayrıca model parametrelerinin sınıflamaya etkisi araştırılmıştır. Bunun için şu model para metreleri değiştirilmiştir : (1) ortak değişinti matrisinin tipi (2) gözlem vektörünün boyutu ve (3) durum sayısı. Deneysel sonuçlar, Gizli Markov Model'de az sayıda gözlem vektörü ve durum sayısı kullanılarak yüksek derecede doğru sınıflama oran larının elde edilebileceğini göstermiştir. Bu yaklaşma Gizli Markov Model'de eğitim süresini kısaltacaktır; aynı zamanda hızlı sınıflama yapılabilecektir.
Özet (Çeviri)
VI Summary Hidden Markov Models (HMM) is one of the well known classifier in pattern recogni tion systems. It is used for modelling of nonstationary signals, like speech. It has been declared in the several publications that HMM classifiers gave low error rates. There fore hidden Markov modelling technique is widely used in many commercial speech and pattern recognition applications. Subspace methods are in an another area of pattern classification. In these methods, each class is represented by a subspace. The subspace is obtained by taking the compo nents that are same directions with statistically most important features in the class. Subspace methods, such as CLAFIC and Common Vector Approach, use very simple decision rules. For this reason, the computation is very easy and the classification can be done in a short time. In this thesis study, context dependent classifiers were designed using HMM in both feature space and subspace. These classifiers have been tested by using an isolated word database. The results were compared with the subspace classifiers. The experimental results showed that HMM can be used as a high performance classifier in both feature spaces and subspace. The effects of model parameters to classification rates were also investigated in this study. For that purpose, three model parameters were changed: (1) type of covariance matrix, (2) size of observation vector, and (3) number of states. The experimental results showed that high order correct classification rates still can be obtained by using a small number of observation vectors and states in HMM. This approach will decrease training time of HMM. Meanwhile, the classification can be done very fast.
Benzer Tezler
- Fusing length and voicing information and HMM decision in speaker dependent isolated word recognition systems
Konuşmacıya bağlı ayrık sözcük tanıma sistemlerinde uzunluk ve ses bilgilerini ve HMM kararının birleştirilmesi
FAHRİ KARAHAN
Yüksek Lisans
İngilizce
2000
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MÜBECCEL DEMİREKLER
- Stochastic recurrent networks and their usage on time series
Olasılıklı yinelenen ağlar ve zaman serileri üzerinde kullanımları
SEMİH CEMİLOĞLU
Yüksek Lisans
İngilizce
1995
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiDOÇ.DR. MARİFİ GÜLER
- Çukurova bölgesinde kurak ve yağışlı günlerin koşullu olasılık yöntemi ile belirlenmesi
Başlık çevirisi yok
ALİ İHSAN ÇOPUROĞLU
Yüksek Lisans
Türkçe
1988
MeteorolojiÇukurova ÜniversitesiKültürteknik Ana Bilim Dalı
DOÇ. DR. KAZIM TÜLÜCÜ
- Milli Mücadele yıllarında İstanbul'da faaliyet gösteren gizli guruplar
Başlık çevirisi yok
MESUT AYDIN
Doktora
Türkçe
1989
Türk İnkılap TarihiAnkara Üniversitesiİnkılap Tarihi Ana Bilim Dalı
PROF. DR. H. YAVUZ ERCAN
- Catalytic liquid phase oxidation of toluene to benzoic acid using pure oxygen and determination of optimum process variables
Toluenin sıvı evrede saf oksijen kullanılarak benzoik asite oksidasyonu ve optimum proses değişkenlerinin saptanması
ALİ GİZLİ
Yüksek Lisans
İngilizce
1999
Kimya MühendisliğiEge ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. ERDEN ALPAY
PROF. DR. SÜHEYDA ATALAY