سال انتشار: ۱۳۸۵

محل انتشار: دوازدهمین کنفرانس سالانه انجمن کامپیوتر ایران

تعداد صفحات: ۸

نویسنده(ها):

هدیه ساجدی – دانشجوی دکتری، دانشگاه صنعتی شریف، دانشکده مهندسی کامپیوتر
حسین ثامتی – استادیار، دانشگاه صنعتی شریف، دانشکده مهندسی کامپیوتر
حمید بیگی – استادیار، دانشگاه صنعتی شریف، دانشکده مهندسی کامپیوتر
باقر باباعلی – دانشجوی دکتری، دانشگاه صنعتی شریف، دانشکده مهندسی کامپیوتر

چکیده:

مدل مخفی مارکوف (HMM) جهت مدلسازی دنباله های تصادفی با ساختار حالت متناهی مورد استفاده قرار می گیرد. به دلیل وجود الگوریتم های قوی و کارای بیشت رین درست نمایی جهت یافتن پارامترهایHMM این روش به عنوان یک ابزار مدلسازی موفق ، مطرح گردیده است. با استفاده از دادگان آموزشی مناسب، پارامترهای یک مدل با ساختار معلوم را می توان با تخمین خوبی بهدست آورد، اما در عمل تضمینی برای دستیابی به بهینه سراسر ی وجود ندارد. عدم توجه به دقت بازشناسی یا به عبارت دیگر آموزش مستقل هر مدل، از دیگر معایب این الگوریت مهای آموزش است. روشهایی برای رفع این معایب ارائه شده اند، که یا به دلیل مشکلاتعددی از کارایی لازم برخوردار نیستند و یا فاقد پایه نظری قوی جهت تضمین همگرایی میباشند. در این مقاله الگوریتمPSO
جهت آموزش تمایزی مدل مخفی مارکوف پیوسته در یک سیستم بازشناسی گفتار فارسی بکار گرفته م ی شود ؛ هدف آن است که با استفاده از قابلیت الگوریتمPSO در جستجوی بهینه سراسری فضای راه حل مساله و با استفاده از مفاهیم آموزش تمایزی، دقت بازشناسی سیستم بهبود یابد . نتایج آزمایشات نشان م ی دهد که با استفاده از این روش، خطای بازشناسی نسبت به آموزشHMM
با روشهای مبتنی بر بیشترین درست نمایی، ۳,۳۶ درصد کاهش یافته است.