Thông tin tài liệu
! "#$%&'(&)* !(%+ ,-$./0 &)*$1233),%45% 6617819: ;<6=> ??@?@@A 7BCD 0E@?E Báo cáo chuyên đề: Cơ s tri thức và ứng dụng FGF HVTH: Nguyễn Siêu Đ"ng Trang 2 Báo cáo chuyên đề: Cơ s tri thức và ứng dụng /H%IJ N !"#$%&'() *+"),-.%+/01/23**"*##4 ".567+89' :#;0+<=+>?"6 >@ 5 )#*;")#,,,;9A># '=+)9=+)8?#ABC,,, D"E<)$'"F.%+/?)/#%&/G?0 8 !/ %71)?HA"#)?#' #9?#9)8()), *+")2*+")*I#<4 !'&<>J>=+8 ?K0+A#9<;$.%+/0 *+")?)") !9<9/$9"+80"#7+8 ,D"#(?08L)>#+/059 M& *+")/ − N59 ?#9+8ONP2*)"N"*/*P#4 ?KM&"#/"O"C$?H"5A>() , − *+") =+> A9 K 2Q)<R"#))# *+") *I#"<4?KM&?EC S+/")=+8?T?K , K.U8#V ?F "+80> !<K<%;)W/?T9"E X$%&'"%/#+!,Y Z: > 5DU8?F>8/S#GA+ #8,VOLDU8?K0+%<#W/'".# ?9#&, C/. +8[3.+-\ HVTH: Nguyễn Siêu Đ"ng Trang 3 Báo cáo chuyên đề: Cơ s tri thức và ứng dụng HVTH: Nguyễn Siêu Đ"ng Trang 4 Báo cáo chuyên đề: Cơ s tri thức và ứng dụng J%+,-$./ I. K L:MG P9%?E?K !<+' H"#?9 ?'; ?K !<+/?T)7"!;/90> :; 9#?E?#9FF9"E()0<*# +]- H/$/G?0/8;A!##M& ! 98+ZM7##?KC*+")?EZM7' ,^*+") !UM?!/?!; /<'?_A! /9*+")<9"#` !"+<+, $A#9?K.+6".;G8"B)?H?E <9A?EA?K<9)+"#9A#9/8,-:8 $A#9%?ab> ! %?!+8+8./ <c_;1)L)<'E>)8.?#9*#dA ()>+#H9'%#9C?E=+8?T59"> #A#9,$+?K+G?0>=+8A#9"G%; E<' #H<'#,- H/A#9 9/G?08?KE+5?5AE=+. G<O"# =+9"FF < !<+' H"#?9 ?';#H9.?#9 <>? H/ !<#$+<c_ <'[?EF ") .$)L,D+8.L)E>=+8A#9=+). %+?Ed)<?K$OJ() ! *+")C?E> =+89A#9"#?.,- *+")' ; HVTH: Nguyễn Siêu Đ"ng Trang 5 Báo cáo chuyên đề: Cơ s tri thức và ứng dụng #e 98O>=+8?K !A#9%;< A!#()#?d , #+<fgh'8i#j**8N+A?:8Z'Z)# +<+")T" !>@ /.C*+")*I#"< 2*+")4, 3Z+G>@ ()i#j**8N+A?9G+ ")?() !1/ "#'C,P#?)8*+") *I#"<?"6 !1/=+)"C;?K9"E% k>/07+8S',D+8.*+")FFEa "G0+)A?;"#U8L)"+.%+ /F E+$<9 / .5A>()*+")/ C H()?Z!, Q!#<>JC Máy tính Bộ não người Đơn vị tình toán 1 CPU với 10 5 mạch logic Mạng 10 11 nơ ron Bộ nhớ 10 9 bit RAM 10 11 nơ ron 10 10 bit bộ nhớ ngoài 10 14 khớp nối thần kinh Thời gian xử lý 10 -8 giây 10 -3 giây Thông lượng 10 9 bit/giây 10 14 bit/giây Cập nhật thông tin 10 5 giây 10 14 nơ ron/giây !*+") !G+"LO#9?KZ:8)"./ .%+#?!/ZM7()9*+")C()#,P"G 0+ *+")<9)+d =+)?5>?%/ Z+G9d9+8.7<9)+?E*+")CZM7'/() F, II. FNONP:MG 98O89"E/?;?!O#9;ZM78 ),0+U 6E>=+8?K CA#9 ".? 98O,3#")<'>/8;#?)80+ HVTH: Nguyễn Siêu Đ"ng Trang 6 Báo cáo chuyên đề: Cơ s tri thức và ứng dụng A#9"G?5>"#/S<'>?KAB 98O,O&; L)8ZeK)+ P)?e /#A !/;>%()A)8%<lE e"9#H5)8Al?E?K=+8?T)A>) /#98+)+ − ?#)8b;H)8m] − F()/+8E )8<'] − D?!+8E?!()//0O)A))8 ] − $><e /?/#A2/+?`))8`?T4 − e /)8"W#;8+)8<#Wn − N>%()A&+!/#< AO+o ?K, P98+".?KZ* '?U+/#/=+8?TAl)8e "9()A?K#'?U+"),!9F%L)U Z:8 !0+?U+/#;<>J` !L+ '/#/?_ZM79'??E?)")<=+>,! /K=+9<>J()9 98O)8,F9# 98O)8p !?U+/#; !?U+")/p<>JZM7 ' !9+U,q+9"F.%+>=+89A#9 ".S? *+")2*+")*I#"<4, 3")?()*+")G8+<9=+)/ 6?# !' <9/0G#/9')8, Dd/O&&E.+".)E"L") !?H"5A> *+"))+,*+") ! − P0+<.', − P<>J?_'".0+<., − P<>JZM7?_9'?K, − P<>JC;"L< , HVTH: Nguyễn Siêu Đ"ng Trang 7 Báo cáo chuyên đề: Cơ s tri thức và ứng dụng P9?H"".;8#; U<()#,-0+8>O#.C*+") 2*+")*I#"<4, III. QRST UFNVRWBR8:MG 1. Các lĩnh vực ứng dụng thành công − *+")?KM&0+"#1/# 98 2r#A#4, − P9<>J, − P9<>JC, − P9;: ), − ?#9>9&()K@ , − P#9/X<O' ;/"9;#9 , − e9P?E:)#?!ZM7, − /?0+<E0+#?!+8n 2. Những thành quả của mạng Neural − A9#A# D9gstugu;<'.A)#)Vv??H ! aA# :A)8=+wxV()*Iy#"<,N59"+80 Z9?T +8E G0+ H*#zE kAT b/k)#'/,.?#<#)C=+23i{P4 ?)#?!9&5"Fxii;?9"E ! )".*+")*I#"<C:O)AB*+") 2Di4;)8C !9'5;"F a23||NY4, ?#9A# / !9?!/<'AT b X)#,3||NY?K+G+8)/#?H?E ()G[ cAB/C?HE +()L9"))) ), <>J9")5"#=+>A# #?;/O&5"# # )\,PpU},~#+()G:8c?E 98 #?!,+3||NY<'ll/0AG<v !L7#F HVTH: Nguyễn Siêu Đ"ng Trang 8 Báo cáo chuyên đề: Cơ s tri thức và ứng dụng U?k?KM<E "),9$+?H/#$ 7/G??K+$/?K`?E>"# 5), 3:)#"#5)EA)#_ #%F/9 $+"/#?!(),#/S.> 5$),D)#<'>98; O<E> *+")*I#"<]-/FG>$F ?)C?,V*+") *I#"<?)C?E$<oZ>#8/5F"F%& kEC !9$"%/E+A()"#>=+9 "F"•+8 O<E>)+?,V'Cb8Fk <9Ab$)*+")*I#"</<E+ S+<.+@, 3||NY?K%)#?/#5)€;/ X)#5# /?d"+AF;?_J;/K@ , K5"#GF<'EA%Z?K,D+8.3||NY ! ?l0;9()/#<#>t,t"+•3,<'E 9?KKbG:8c;/F=+9/# ?AT <(A6+8A)8th‚()<'N)i *")j#"". AU+"#<*"A*;3#*/#9t}stugg,V#A)?U+()xii pl?Hƒ9:A)8=++85"("#)#;/O& :A)8wxV, − ?999"T()>@ 8KA()>@ ,L# (Z9?Tk#/)8#H?U+#$);<'E+ "#'/()C,8??KM =+)9 U 0 ;<#> !M)??KG/M)aAT #AbA6"9 <7A>#E ,Cbd$ '/GA()< #;F < "#9$ HVTH: Nguyễn Siêu Đ"ng Trang 9 Báo cáo chuyên đề: Cơ s tri thức và ứng dụng +?E=+8?TZ* 9FG+.$"("#ZG+,#")A E?TF/0>@ O"C/=+)/#9"T(), ) &.+?K?).?U+#9>@ )+ ?!#95%A>#E ;AB9? > 9 >@ ;/>?K9#(&,P0+<#)C<. ?#9++G()'&8/+=+>()/<7 K?_A>#E *#> O,V=+>?U8%)m/ > ?9 <0 9, 36 O iP| {"/*; P)„#"); M & *+") *I#"<8?E:A>()0M:,8 ??K9thhhhWO&<Ed")8,Q9#*I y#"<D *?)"B !+!?0+")#G8K+kJ. <#>}…†+*+")*I#"<?K&M&)8# ?T9AB 98?#9 iP|M&"?:8, HVTH: Nguyễn Siêu Đ"ng Trang 10 [...]... thiện, mạng Neural được sử dụng như một công cụ đắc lực trong các bài toán phát hiện và nhận dạng mẫu - một bài toán thực tế vô cùng phức tạp Kỹ thuật nhận dạng tiếng nói sử dụng phương pháp mã dự đoán tuyến tính để phân tích tín hiệu, sử dụng mạng Neural lan truyền ngược hướng với lớp mạng tự tổ chức Kohonen để tích luỹ tri thức cho mạng, làm cơ sở cho việc nhận dạng tiếng nói bằng cách tra cứu topo mạng. .. thức và ứng dụng PHẦN II: XÂY DỰNG MẠNG NEURAL Phân loại mạng Neural I Việc phân loại mạng Neural có thể dựa trên một số tiêu chí khác nhau, ở đây chúng ta dựa trên một tiêu chí đặc trưng là khả năng học của mạng Neural, theo tiêu chí này mạng Neural được chia làm hai loại: - Mạng Neural học có giám sát - Mạng Neural học không giam sát 1 Mạng Neural học có giám sát Giám sát quá trình luyện mạng Chính... hiện giới hạn đầu vào của Neural Trong mô hình Neural nhân tạo mỗi Neural được nối với các Neural khác và nhận được tín hiệu xi từ chúng với các trọng số w i Tổng thông tin vào có trọng số là: Net = åwjxj III Nhận dạng tiếng nói bằng mạng Neural Hình 3 trình bày những chức năng cơ bản của hệ thống nhận dạng tiếng nói, trong đó có những chức năng con của từng khối Để đơn giản trong việc cài đặt và yêu... Đẳng Trang 14 Báo cáo chuyên đề: Cơ sở tri thức và ứng dụng PHẦN III: ỨNG DỤNG TRONG KỸ THUẬT NHẬN DẠNG TIẾNG NÓI I Xử lý tín hiệu tiếng nói Quá trình tiền xử lý tín hiệu là chuyển tiếng nói từ dạng sóng (wave form representation) sang dạng biểu diễn tham số (parametric form representation) Các tham số biểu diễn tín hiệu tiếng nói có thể là: năng lượng thời gian ngắn (short time energy), tỷ lệ qua... nói ngắn Thông thường, trong xử lý tiếng nói phép phân tích phổ thời gian ngắn được thực hiện trên các khung tiếng nói liên tiếp với khoảng cách mỗi khung là 10 ms II Lý thuyết nhận dạng và mạng Neural 1 Nhận dạng Có thể hiểu đó là phương pháp để xây dựng một hệ thống tin học có khả năng: cảm nhận- nhận thức -nhận biết các đối tượng vật lý gần giống khả năng của con người Nhận dạng có gắn chặt với 3... đưa ra quá trình thu nhận số liệu qua các bộ cảm biến trong hệ thống nhận dạng, ví dụ trong hệ thống nhận dạng tiếng nói: đối tượng ở đây là tiếng nói (speech) và thu nhận đầu vào qua Micro hoặc các file âm thanh wav Mức 2- mức nhận thức: ở đây biểu diễn quá trình học, mô hình hoá đối - tượng để tiến tới hình thành sự phân lớp (classification) các đối tượng cần nhận dạng Mức 3- mức nhận biết: từ đối tượng... thường nhận giá trị từ 8 đến 16 - Phân tích LPC: sử dụng thuật toán Durbin để chuyển đổi các hệ số tự tương quan thành tập tham số LPC - Chuyển đổi tham số LPC thành hệ số phân tích phổ Trong thực nghiệm ta chọn 12 hệ số cepstral để làm đặc trưng của tín hiệu 2 Mô tả mạng Neural trong nhận dạng - Phương án lựa chọn số nút của từng lớp trong mạng: theo kinh nghiệm của các chuyên gia về mạng Neural trong. .. thức và ứng dụng Đánh giá chất lượng nhận dạng Trả lời nhận Ra quyết định phân lớp Học và ra quyết định Hình 1 Sơ đồ tổng quan của hệ thống nhận dạng 2 Mạng Neural nhân tạo Mô phỏng hoạt động của các Neural thần kinh, mạng Neural nhân tạo là hệ thống bao gồm nhiều phần tử xử lý đơn giản (Neural) hoạt động song song Tính năng của hệ thống này tuỳ thuộc vào cấu trúc của hệ, các trọng số liên kết Neural. .. nói bằng cách tra cứu topo mạng để đưa ra kết luận về tiếng nói cần nhận dạng đưa vào hệ thống Thực tế hệ thống thử nghiệm có thể nhận dạng được 1 số nguyên âm tiếng việt Phương pháp LPC được áp dụng khá rộng rãi trong xử lý tiếng nói bởi nó cung cấp mô hình lý tưởng cho tín hiệu tiếng nói Hơn nữa, LPC tương đối đơn giản, dễ thực hiện cả bằng phần cứng lẫn phần mềm mà vẫn đảm bảo độ chính xác Tuy nhiên... thống nhận dạng, đặc biệt là các hệ thống độc lập người nói Để nâng cao hiệu suất nhận dạng của hệ thống, theo sự phát triển của tin học hiện đại, hướng nghiên cứu này có thể tiếp tục mở rộng phát triển theo các hướng sau: - Mạng Neural mờ: phát triển theo 3 hướng: o o Mạng Neural dùng để xác định hàm liên thuộc o - Mạng Neural với các đầu vào, trọng số mờ Suy diễn mờ với mạng Neural Dùng giải thuật . NP:Oc,D"# )Ct}*")?E ?H"()O+, 2. Mô tả mạng Neural trong nhận dạng - N59)CL()d"# *#< ()9+8.)/0. Đ"ng Trang 3 Báo cáo chuyên đề: Cơ s tri thức và ứng dụng HVTH: Nguyễn Siêu Đ"ng Trang 4 Báo cáo chuyên đề: Cơ s tri thức và ứng dụng J%+,-$./ I. K L:MG P9%?E?K. 17 -K /7 CF : D"OC ?HO D+; =+)9 D0ZM7 + QE+[ ?HO -K AE+[ 3+ 2O+4 Báo cáo chuyên đề: Cơ s tri thức và ứng dụng Ft,35?_c=+)() 2. Mạng Neural nhân tạo 'b#?!()9*+")U<;
Ngày đăng: 10/04/2015, 17:04
Xem thêm: MẠNG NEURAL – ỨNG DỤNG TRONG KỸ THUẬT NHẬN DẠNG TIẾNG NÓI, MẠNG NEURAL – ỨNG DỤNG TRONG KỸ THUẬT NHẬN DẠNG TIẾNG NÓI, PHẦN I: MẠNG NEURAL, Những thành quả của mạng Neural, PHẦN II: XÂY DỰNG MẠNG NEURAL, PHẦN III: ỨNG DỤNG TRONG KỸ THUẬT NHẬN DẠNG TIẾNG NÓI, Phương pháp nhận dạng
