مقاله تخمین پارامترهای مدل تیلت با استفاده از شبکه عصبی، ماشین پشتیبان بردار و مارس، برای مدلسازی منحنی گام در سیستم های تبدیل متن به گفتار فارسی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله تخمین پارامترهای مدل تیلت با استفاده از شبکه عصبی، ماشین پشتیبان بردار و مارس، برای مدلسازی منحنی گام در سیستم های تبدیل متن به گفتار فارسی دارای ۷ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله تخمین پارامترهای مدل تیلت با استفاده از شبکه عصبی، ماشین پشتیبان بردار و مارس، برای مدلسازی منحنی گام در سیستم های تبدیل متن به گفتار فارسی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله تخمین پارامترهای مدل تیلت با استفاده از شبکه عصبی، ماشین پشتیبان بردار و مارس، برای مدلسازی منحنی گام در سیستم های تبدیل متن به گفتار فارسی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله تخمین پارامترهای مدل تیلت با استفاده از شبکه عصبی، ماشین پشتیبان بردار و مارس، برای مدلسازی منحنی گام در سیستم های تبدیل متن به گفتار فارسی :

تعداد صفحات:۷

چکیده:

یکی از روش های تولید منحنی گام، برای سیستم های تبدیل متن به گفتار، روش تیلت می باشدکه بر اساس نظریه واج شناسی لایه ای پایه گذاری شده است و در آن، رویدادهای آهنگین گفتار به صورت مستقل از هم در نظر گرفته می شوند. مدل تیلت با تولید رویدادهای کنتور گام و اتصال انها، به یکدیگر، کنتورگام را تولید می نماید. هر رویدداد دارای تعدادی پارامتر می باشد که باید تخمین زده شوند. این مقاله سهروش متفاوت شبکه عصبی، ماشین پشتیبان بردار و مارس را برای تخمین پارامترهای مدل تیلت، با هم مقایسه می کند.در هر سه روش، از دادگان یکسان برای مدلسازی استفاده شده است. در انتخاب ویژگی ها سعی شده است، ویژگی هایی بکار گرفته شوند که قادر به تخمین شکل ابتدا و انتهای کنتور گام و همچنین زیر و بمی های محلی آن، باشند. ویژگی های بکار گرفته شده ، تعدادی ویژگی متنی مانند نوع هجا، هجای تکیه بر، فاصلههجا تا انتهای گفتار و ; و همچنین میزان دیرش واج می باشند. به منظور مقایسه نتایج، میزان کورولیشن بین منحنی اصلی گام و منحنی های سنتز شده با استفاده از پارامترهای تخمینی، محاسبه شدهکه بهترین نتیجه را شبکه عصبی با مقدار کورولیشن ۸۵/۶۶ تولید نموده است. کلیه روش ها، در تخمین شکل انتهای کنتور گام یکسان عمل نموده اند و در بیش از ۸۸ درصدموارد، آن را درست تخمین زده اند. به منظور ارزیابی بهتر نتایج،تست شنوایی MOS نیز روی گفتار تولید شده انجام گرفته است. همچنین از نتایج مدلسازی مارس، برای شناخت بهتر عوامل تاثیرگذار در تخمین کنتور گام، استفاده شده است.