Radial basis function neural network algorithms for phoneme recognition
Fonem tanıma için radyal tabanlı yapay sinir ağı algoritmaları
- Tez No: 65174
- Danışmanlar: DOÇ. DR. KEMAL CILIZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 1997
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 51
Özet
KISA ÖZET Bu tez Radyal Tabanlı Yapay Sinir Ağı 'nda (RTYSA) merkez vektörlerinin belirlenmesinde, giriş-çıkış uzayı örneklemesi metodunun kullanılmasının üç erkek konuşmacıdan alman Türkçe sesli harf,(/a/, /e/, N, İM, /o/, /öl, l\xl, IvJ), örneklerinin ve bir erkek konuşmacının çok sayıda kelimesinden el ile işaretlenip ayrılmış olan altı adet Japonca sessiz harf, /b/, /d/, /g/, İmi, İn/, INI, tanıma deneylerindeki etkisini araştırmayı hedeflemiştir. Deneylerde RTYSA' da kullanılan merkez vektörleri /') giriş uzayındaki vektörlere uygulanan bir öbekleme metoduyla (k-means) ti ) giriş ve çıkış uzaylarının kombinasyonundan elde edilen vektörlere uygulanan bir örnekleme metoduyla (k-means) belirlenmişlerdir. RTYSA' nın tanıma testlerinde Türkçe sesli harfler, Gauss gürültüsü eklenmiş Türkçe sesli harfler ve altı adet Japonca sessiz harfi kullanılmıştır. Bu setlerden herbirindeki örnekler 112 boyutlu vektörlerle temsil edilmişlerdir. Yapılan deneyler sonucu giriş-çıkış uzayı öbeklemesi metodunun Türkçe ve Japonca harflerin tanınmasında giriş uzayı öbeklemesi metoduna göre daha iyi sonuçlar verdiği gözlemlenmiştir.
Özet (Çeviri)
IV ABSTRACT This thesis studies the effects of using input-output space clustering for determining centers on phoneme recognition performance of Radial Basis Function Network (RBFN). The center vectors of RBFN are determined i) by a clustering technique (k-means algorithm) applied to sample vectors chosen from input space (so called input clustering) or ii) by a clustering technique (k-means algorithm) applied to sample vectors formed from a combination of input and output spaces (so called input-output clustering). 1 12-dimensional vectors representing Turkish vowels, (/a/, Id, 111, lil, lol, löl, lul, lül), uttered by three male speakers are used as feature vectors to be classified by a multi-output RBFN. Then noise with Gaussian distribution is added to the vowels and recognition performance of RBFN is tested on these noisy vowels. Also six Japanese phonemes, (Jbl, lûl, Igl, Iml, /n/, INI), extracted from speaker-dependent 5240 words Japanese vocabulary are tested using RBFN. It has been observed from the simulations that the input-output clustering technique gives better recognition rates both for the training and test patterns of the Turkish (clean and noisy) and Japanese phoneme sets as compared to the input clustering technique.
Benzer Tezler
- Fractal image compression with radial basis function neural networks
Radyal taban fonksiyonlu yapay sinir ağları ile fraktal görüntü sıkıştırma
OSMAN ÖZDEMİR
Yüksek Lisans
İngilizce
1998
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. CÜNEYT GÜZELİŞ
- Development of conic section function neural networks in software and analogue hardware
Başlık çevirisi yok
TÜLAY YILDIRIM
Doktora
İngilizce
1997
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolUniversity of LiverpoolYapay Zeka Ana Bilim Dalı
DR. JOHN S. MARSLAND
- Müşteri yaşam boyu değerinin yapay zekâ algoritmaları ile modellenmesi
Modeling customer litetime value with artificial intelligence algorithms
OĞUZHAN KIVRAK
- Elektrik devrelerinin yapay sinir ağları ile tanınması ve kontrolü
Identification and control of electrical circuits using neural networks
MEHMET SAMAN
Yüksek Lisans
Türkçe
2003
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YAKUP DEMİR
- Yapay sinir ağları yöntemiyle rüzgar türbin generatörlerinde hidrolik arıza tesbiti
Hydraulic fault detection of wind turbine generators using artificial neural networks
TACETTİN AHMET DÖNDÜREN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiNecmettin Erbakan ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA YAĞCI