سال انتشار: ۱۳۸۵

محل انتشار: دوازدهمین کنفرانس سالانه انجمن کامپیوتر ایران

تعداد صفحات: ۷

نویسنده(ها):

معصومه بحرینی – دانشجوی کارشناسی ارشد، دانشگاه صنعتی امیرکبیر، دانشکده مهندسی کامپ
مهدی همایونپور – عضو هیات علمی، دانشگاه صنعتی امیرکبیر، دانشکده مهندسی کامپیوتر و فن

چکیده:

در این مقاله، کاربرد روش مارس برای مدلسازی کشش زمانی واج، در سیستم تبدیل متن به گفتار فارسی، ارائه م ی شود . کشش زمانی تحت تاثیر یکسری عوامل مانند، مشخصه واج، تکیه، موقعیت واج در هجا، کلمه و عبارت، قرار می گیرد. این عوامل، با یکدیگر در تعامل هستند و یک مدل خوب کشش زمانی، باید بتواند تعامل بین متغی ر هارا نیز در بر داشته باش د . بانکها ی داده ای گفتار ی معمولا مشکل داده های خلوت را دارند . مارس تکنیکی برای تخمین یک تابع با بعد بالا با داد ه های خلوت می باشد که از روی داد ه ها پارامتر ها و ساختار مدل را محاسبه م یکند و ت عامل بین متغیر ها را، به خوبی بدست می آورد. علاوه بر دقت بالای آن در ت خمین ، امکان تفسیر مدل را نیز دار د . در نتیجه اعمال مارس، مدلی با ضریب همبستگی ۸۶,۵۰ برای داده های آموزشی و ۸۰,۸۳ برای داده های تست بدست آم د . در این مقاله، کارایی مارس با شبکه عصبی مقایسه شده اس ت . بدین منظور، از شبکه عصبی چند لایه پرسپترونی با یک الگوریتم انتشار خطا به عقب، استفاده شده اس ت ، که مدلی با ضریب همبستگی ۸۴,۸۶ برای داده های آموزشی و ۸۰,۹۷ برای داده های تست، بدست آمد.