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: pattern classifiers, Hidden Markov Models, subspace classifiers, com mon vector approach, speech recognition
- 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: 121
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. Anahtar Kelimeler : örüntü sınırlandırıcıları, Gizli Markov Model, altuzay sınıf landırıcıları, ortak vektör yaklaşımı, konuşma tanıma
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
- Gizli Markov modeli ile geniş sözlüklü sürekli konuşma tanıma
Large vocabulary continuous speech recognition using hidden Markov model
ERKAN USLU
Yüksek Lisans
Türkçe
2007
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. M. ELİF KARSLIGİL
- Turkish morphological disambiguation using multiple conditional random fields
Çoklu koşullu rassal alanlar kullanarak Türkçe biçimbilimsel belirsizlik giderme
RAZIEH EHSANI
Yüksek Lisans
İngilizce
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. EŞREF ADALI
YRD. DOÇ. GÜLŞEN ERYİĞİT
- Gizli markov modellerini kullanarak nefret söylemi tespiti
Hate speech detection using hidden markov models
MOHAMMED QASIM ABBAS ABBAS
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM ALPASLAN ALTUN
- Speech driven upper body gesture analysis and synthesis
Konuşma ile sürülen üst beden hareketlerinin analizi ve sentezi
SERKAN ÖZKUL
Yüksek Lisans
İngilizce
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YÜCEL YEMEZ
- Artificial bandwidth extension of speech using temporal clustering
Zamansal gruplandırma kullanarak sesin bant genişliğinin yapay olarak artırılması
CAN YAĞLI
Yüksek Lisans
İngilizce
2010
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ENGİN ERZİN