Сочинение на тему Проблемы и перспективы автоматического распознавания речи

Норрис в 2008 году представил байесовскую модель непрерывного распознавания речи, которая основана на коротком списке и разделяет многие из его основных допущений: параллельная конкурентная оценка нескольких лексических гипотез, фонологически абстрактные предлексические и лексические представления, архитектура прямой связи с нет онлайн-обратной связи и лексический алгоритм сегментации, основанный на жизнеспособности кусков ввода как возможных слов.

Модели нейронных сетей являются мощными механизмами распознавания речи. Их способность классифицировать данные и способность к параллельной обработке прокладывают путь для распознавания речи. Типичная нейронная сеть состоит из входного слоя, скрытого слоя, выходного слоя. Входной слой получает входной сигнал и передает данные на скрытый слой. Скрытый слой вычисляет функцию действия, и все необходимые вычисления выполняются в этом слое. После вычислений вывод переносится в выходной слой. Искусственные нейронные сети представляют собой структуру ориентированного графа с узлами, имеющими некоторые веса. Веса изначально случайные и обновляются соответственно. Алгоритмы обучения используются для классификации данных. Алгоритм обратного распространения, итеративный процесс обучения, многоуровневая модель персептрона, а также функции радиального смещения могут использоваться для классификации данных. В 2013 году Грэйвс исследовал глубоко рекуррентные нейронные сети (RNN), которые объединили несколько уровней представления, которые оказались настолько эффективными в глубоких сетях с гибким использованием контекста на большие расстояния, который расширяет возможности RNN. Когда они обучались сквозной подходящей регуляризации, они обнаружили, что глубокая долговременная кратковременная память RNN достигает ошибки набора тестов 17,7% в тесте распознавания фонем TIMIT.

Модели опорных векторов (SVM) с контролируемыми алгоритмами обучения. Они используются для классификации и регрессионного анализа. Они анализируют данные и распознают закономерности. Независимое от текста распознавание говорящего использует в качестве своих функций компактное представление речевого высказывания, известного как i-vector. Вместо того, чтобы оценить модель SVM для каждого динамика, по одному против всех гуманных парадигм, Попарные опорных векторы (PSVM) подход классифицирует пробу, состоящая из пары I-векторов, как принадлежащие или не к тому же класса акустических систем. Однако тренировка PSVM с большим объемом данных является трудоемкой и дорогостоящей в вычислительном отношении задачей, поскольку число обучающих пар растет квадратично с увеличением количества обучаемых i-векторов. Среди многочисленных методов выбора данных, которые были предложены для двоичной SVMS, представлены те, которые наилучшим образом подходят для этой проблемы, но являются очень дорогими в вычислительном отношении. В рамках подхода к обучению предлагается, когда данные обучения разделяются на непересекающиеся подмножества, которые используются для обучения независимых SVM. Тренировочные шаблоны, близкие к средней гиперплоскости, выбираются для обучения естественного SVM. Этот подход интересен тем, что процедура обучения может выполняться параллельно на каждом подмножестве, но имеет несколько недостатков. Не только трудно выбрать значимые непересекающиеся подмножества пар i-векторов, но также этот метод остается дорогим для большого набора динамиков и не дает никакой гарантии, что гиперплоскость среднего запаса подобна оптимальной гиперплоскости. Иерархическое параллельное обучение предлагается в каскадном SVM-подходе, который, тем не менее, стоит дороже формального, потому что все SVM-схемы должны оцениваться каждым SVM в дереве, а также потому, что процедура является итерационной.

Обобщенная переменная Модель скрытого Маркова (GVP-HMM) используется для распознавания речи в шумной среде. Важнейшей задачей систем автоматического распознавания речи является надежное устранение несоответствия целевой среде, вызванной внешними факторами, такими как шум окружающей среды. Когда эти факторы имеют изменяющийся во времени характер, эта проблема становится еще более сложной. Для решения этой проблемы можно использовать ряд методик на основе моделей: многоуровневое обучение использует неявную мощь моделирования смешанных моделей или, в последнее время, глубоких нейронных сетей, чтобы получить хорошее обобщение для невидимых шумовых условий. Альтернативный подход к вышеупомянутым методам заключается в непосредственном внедрении управляемости в основную акустическую модель. Следует надеяться, что благодаря явному изучению основного эффекта, налагаемого развивающимися акустическими факторами, такими как шум, на акустическую реализацию речи, становится возможной мгновенная адаптация к этим факторам.

В этом исследовании используется арабский язык. Общеизвестно, что арабский язык является пятым по распространенности языком в мире и насчитывает около 300 миллионов носителей языка, простираясь через широкий географический район от Северной Африки до Ближнего Востока. Он также является одним из шести официальных языков, принятых в Организации Объединенных Наций, и представляет собой официальный язык примерно в двадцати двух странах, в то время как во многих странах существуют значительные арабоязычные общины. Арабский язык также является литургическим языком и языком поклонения для более чем полутора миллиардов мусульман во всем мире.

Кроме того, многие проблемы сталкиваются с распознаванием арабской речи. Например, арабский язык имеет короткие гласные, которые обычно игнорируются в тексте, что добавляет путанице декодер ASR. Кроме того, в арабском есть много диалектов, где слова произносятся по-разному. Элмахди и Грун суммировали основные проблемы распознавания арабской речи, которые включают арабскую фонетику, проблему дискретизации, отношение графемы к фонеме и морфологическую сложность. Bourouba et al. (2006) представили новый HMM / машину векторов поддержки (SVM) (k-ближайший сосед) для распознавания изолированных произнесенных слов. Sagheer в (Sagheer et al., 2005) предложил новую систему представления визуальных особенностей речи. Они использовали его, чтобы составить полную систему чтения по губам. В то время как Мухаммед оценивал обычную систему ASR для шести различных типов пациентов с нарушением голоса, говорящих по-арабски. Кепстральные коэффициенты Mel-частоты (MFCC) и модель смеси Гаусса GMM / HMM используются в качестве признаков и классификатора, соответственно. Результат распознавания анализируется по типам заболеваний.

Atal в Atal и Hanauer (1971), начал серию независимых. Они использовали широкий спектр сложных алгоритмов кластеризации, чтобы определить количество различных шаблонов, необходимых для представления всех вариаций различных слов в широком круге пользователей. В 1980-х годах технология перешла от шаблонных подходов к методам статистического моделирования, особенно к скрытому марковскому подходу.