استخراج ویژگیهای مبتنی بر خوشه بندی در فضای طیفی-زمانی با استفاده از شبکه عصبی

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

 استخراج ویژگیهای مبتنی بر خوشه بندی در فضای طیفی-زمانی با استفاده از شبکه عصبی دارای ۱۳ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد استخراج ویژگیهای مبتنی بر خوشه بندی در فضای طیفی-زمانی با استفاده از شبکه عصبی  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 استخراج ویژگیهای مبتنی بر خوشه بندی در فضای طیفی-زمانی با استفاده از شبکه عصبی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن استخراج ویژگیهای مبتنی بر خوشه بندی در فضای طیفی-زمانی با استفاده از شبکه عصبی :

تعداد صفحات :۱۳

چکیده مقاله:

یکی از روشهای بازنمایی سیگنال گفتار، بازنمایی طیفی-زمانی گفتار با استفاده از مدل شنیداری میباشد. این مدل بر اساس شبیهسازی بخشهای گوش داخلی و اولین لایه بخش شنوایی مغز ارایه شده است. این مدل، نمایشی چندبعدی از ویژگیهای طیفی و زمانی سیگنالهای گفتار ارایه میدهد. در واقع، خروجی این مدل، آرایهای چندبعدی است که اطلاعات را در امتداد چهار بعد زمان، فرکانس، نرخ و مقیاس نمایش میدهد. در نتیجه به دلیل بزرگبودن ابعاد فضای ویژگیهای طیفی-زمانی، استفاده از روشی برای کاهش ابعاد بردار ویژگی در این فضا ضروری میباشد. در تحقیقاتی که اخیرا۰ انجام شده است، به منظور استخراج بخشهای اصلی گفتار، فضای ویژگیهای اولیه در مدل طیفی-زمانی با استفاده از روشهای مانند مدل مخلوط گوسی(GMM(و K-میانگین وزندار(WKM(خوشهبندی گردیده است. لکن بالابودن هزینه محاسباتی این روشها، موجب محدودیت استفاده از آنها در کاربردهای وسیعتر میگردد. لذا رویکرد اصلی این مقاله، استفاده از یک روش مناسب برای خوشهبندی فضای طیفی-زمانی میباشد. با توجه به عملکرد مناسب شبکه عصبی برای خوشهبندی دادههای چندبعدی، در این مقاله، از شبکه عصبی غیرنظارتی SOM برای خوشهبندی فضای طیفی-زمانی استفاده میشود. نتایج نشان میدهد که در کلیه زیرگروههای واجهای صدادار و بیصدا، خطای طبقهبندی با استفاده از ویژگیهای ثانویه پیشنهادی نسبت به ویژگیهای مبتنی بر خوشهبندی K-میانگین وزندار ، بهبود یافته است. نتایج حاصل از ویژگیهای جدید نشان میدهد که به طور متوسط، خطای سیستم نسبت به ویژگیهای مبتنی بر خوشهبندی WKM ،۱۵/۲۴ % جبران شده است.