Система автоматического распознавания речевых команд для параллельных архитектур

• Автор: Сапунов, Григорий Владимирович
• Шифр специальности: 05.13.05
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Москва
• Количество страниц: 129 с. : ил.

Оглавление
АННОТАЦИИ

ВВЕДЕНИЕ М1нмтим1нммнтт1м1мммм1мммммммммммм1имт1тнммм1тм1мм1ммммн1н

ГЛАВА 1. АНАЛИЗ ОСНОВНЫХ ПРОБЛЕМ ПРИМЕНЕНИЯ СКРЫТЫХ МАРКОВСКИХ МОДЕЛЕЙ В СИСТЕМАХ РАСПОЗНАВАНИЯ РЕЧИ . . л

1.1 ЧТО ТАКОЕ МАРКОВСКАЯ МОДЕЛЬ.

1.2Скрытая марковскаямодельСММ.

1.3 ОСНОВНЫЕ ЗАДАЧИ ПРИ ПРИМЕНЕНИИ СММ К РАСПОЗНАВАНИЮ РЕЧИ

1.4 ТИПЫ СММ, ПРИМЕНЯЕМЫЕ В СИСТЕМАХ РАСПОЗНАВАНИЯ РЕЧИ

1.5 ПОДХОДЫ К РЕШЕНИЮ ОСНОВНЫХ ЗАДАЧ СММ.

1.5.1 Задача 1. Эффективное вычисление вероятности генерации заданной последовательности

1.5.2 Задача 2. Отыскание оптимальной последовательности состояний

1.5.3 Задача 3. Обучение СММ тестовыми последовательностями.
1.6 ВЫВОДЫ
ГЛАВА 2. СРАВНИТЕЛЬНАЯ ОЦЕНКА МЕТОДОВ ОПТИМИЗАЦИИ В ЗАДАЧЕ ОБУЧЕНИЯ СММ
2.1 Схема процесса принятия решения как задачи поиска..
2.2 ТРАДИЦИ0 ОЛЕ МЕТОДЫ ПОИСКА ОПТИМАЛЫ ПЛХ РЕШЕ1МЙ И ИХ ПРИЛОЖЕНИЕ К ЗАДАЧЕ ОБУЧИ 1ИЯ СММ.
2.2.1 Методы, основанные на математических вычислениях
2.2.2 Перечислительные методы.
2.2.3 Методы, использующие элементы случайности.
2.3 Концепция эволюционных вычислений
2.4 Основы теории генетических алгоритмов ГА.
2.5 Последовательность работы генетического алгоритма
2.6 Вычислительная эффективность применения ГА. Теорема схем.
2.7 Выводы
ГЛАВА 3. РЕАЛИЗАЦИЯ ГЕНЕТИЧЕСКОГО АЛГОРИТМА ДЛЯ РЕШЕНИЯ ЗАДАЧИ ОПТИМИЗАЦИИ СММ I. .
3.1 Система распознавания речевых команд на основе СММ
3.2 Построение генетического алгоритма для оптимизации процесса обучения СММ тренировочными последовательностями
3.2.1 Кодирование хромосомы.
3.2.2 Создание исходной популяции.
3.2.3 Размер популяции
3.2.4 Генетические операторы оператор отбора.
3.2.5 Генетические операторы оператор скрещивания
3.2.6 Генетические операторы оператор мутации
3.2.7 Генетические операторы оператор редукции.
3.2.8 Критерий останова алгоритма.
3.3 Выводы
ГЛАВА 4. ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ ОПТИМИЗАЦИИ СММ С ИСПОЛЬЗОВАНИЕМ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ.
4.1 Сравнение генетических алгоритмов с традиционными методами.
4.1.1 Метод БаумаВелча..
4.1.2 Случайный поиск.
4.2 Показатели эффективности генетических алгоритмов.
4.2.1 Скорость работы генетического ачгоритиа.
4.2.2 Средства повышения скорости работы генетических алгоритмов
4.2.3 Устойчивость работы генетического алгоритма.
4.2.4 Средства повышения устойчивости работы генетических акоритмов.
4.3 Направления развития генетических алгоритмов.
4.3.1 Использование каибинированной фитнесфункции
4.3.2 Адаптивный ГА.
4.4 ВЫВОДЫ
ВЫВОДЫ И ЗАКЛЮЧЕНИЕ интччм1иимшмшчнчиммм
ЛИТЕРАТУРА


Одной из важнейших и наиболее сложных задач, возникающих при работе с СММ, является задача обучения модели, то есть нахождения таких её параметров, при которых модель точнее описывает «своё» слово, т. В процессе распознавания команды в системе происходит оценка и сравнение между собой вероятностей генерации наблюдаемого слова различными моделями из словаря с тем, чтобы отобрать среди них наиболее вероятного претендента. Чем лучше модель описывает тестовое (или тренировочное) слово, тем больше шансов, что оно будет верно распознано, т. Особенно заметным становится влияние качества обучения модели на результативность работы системы распознавания в том случае, если словарь системы разрастается, и в нём оказываются похожие слова, т. В таких условиях выбор правильного варианта оказывается затруднительным. Кроме того, желательно, чтобы модель могла эффективно распознавать «своё» слово по-возможности в более широких пределах изменяющихся условий работы системы распознавания (в различных уровнях зашумлённости или при работе по каналам различающегося качества) и вариативности произнесения слов диктором (в случае стресса или наличия дефектов речи). Отсюда следует, что задача обучения модели, причём сё качественного обучения, является весьма актуальной и её решению должно уделяться повышенное внимание. Существуют и давно применяются оптимизированные методы обучения СММ (например, метод Баума-Вслча или ЕМ-метод), но они не свободны от недостатков, важнейшие среди которых - это сильная зависимость от начальных условий, порождающая задачу нахождения стартовых параметров СММ, и неспособность найти глобальный экстремум, если локальный экстремум оказывается ближе. Однозначно лучшего метода обучения СММ не известно, и для решения этой задачи могут применяться различные подходы. ГЛ). Генетические алгоритмы, относящиеся к концепции эволюционных вычислений, - это современное, перспективное и активно разрабатываемое направление методов оптимизации многокритериальных задач. Во второй главе диссертационной работы рассмотрена концепция ГА и их место среди других методов нахождения оптимальных значений, и проведена оценка их применимости к решению задачи обучения СММ. Генетические алгоритмы уже активно используются для обучения нейронных сетей, проектирования структуры механизмов и составления расписаний, для оптимизации структуры телекоммуникационных сетей и размещения электронных элементов на плате, поиска оптимальной формы детали и раскроя ткани и т. Так, израильская компания «Schema» на основе генетических алгоритмов разработала программный продукт Channeling для оптимизации работы сетей сотовой связи путём выбора оптимальной частоты, на которой будет вестись разговор []; компания Boeing использовала генетические алгоритмы для оптимизации турбины двигателя самолёта Boeing 7, оказавшейся по крайней мере на 1% эффективнее с точки зрения расхода топлива (что для данной отрасли считается неожиданной удачей), а фирма Texas Instruments задействовала их для оптимизации расположения компонентов на чипе, чтобы создать как можно меньший по размерам чин, и использование ГА позволило сделать его на % меньшим по площади []. За рубежом известно несколько случаев применения ГА для оптимизации СММ в системах распознавания речи, ориентированных на английский язык [, , ]. Но различия в фонематической базе русского и английского языков, уже выступавшие причиной плохой работы иностранных систем распознавания речи с русским языком, не позволяют однозначно перенести на него опыт применения ГА, а отечественных работ подобной направленности на момент написания диссертации не обнаружено. К тому же перечисленные зарубежные работы имеют обзорный и довольно поверхностный характер, не несут в себе сколь-нибудь серьёзного анализа альтернатив реализации ГЛ и практически не содержат обоснования выбора применяемых решений. В третьей главе диссертации предлагается разработанная автором в рамках программно-аппаратного комплекса «Иволга» конкретная реализация генетического алгоритма, предназначенного для оптимизации процесса обучения СММ тренировочными последовательностями. За основу взята разработанная на кафедре ЭВА МИЭМ в г. А.А.