Oral Presentation , Page 35-40 (6) Full Text (1.22 MB)

¹Ali Nasr-Esfahani ; ²مهدی بکرانی; ²روزبه رجبی

¹Communications and Electronics Dept. Qom University of Technology, Qom, Iran

²دانشگاه صنعتی قم، دانشکده مهندسی برق و کامپیوتر، گروه مخابرات و الکترونیک

از چالش‌های مهم در بازشناسی اعداد در گفتار وجود نویز در صدای دریافتی دستگاه‌های دیجیتال و تشابهات وجهی اعداد می‌باشد. برای مقابله با این چالش‌ها در این پژوهش، علاوه بر درنظرگرفتن واحد کلمه به‌جای واحد واج، انجام عملیات داده‌افزایی به‌منظور بهبود عملکرد سیستم، یک ساختار ترکیبی از دو شبکه عصبی کانولوشنال باقیمانده و شبکه عصبی واحد بازگشتی گیتی دوطرفه برای بازشناسی اعداد فارسی گسسته صفر تا نه از گفتار ارائه شده است. نتایج حاصل نشان می‌دهند که دقت بازشناسی گفتار روش پیشنهادی برای داده‌های آموزش و اعتبارسنجی به ترتیب $98.53%$ و $96.10%$ است. این نتایج نسبت به روش‌های مبتنی بر شبکه عصبی {LSTM} دارای عملکرد بهتری است.

بازشناسی ارقام مجزا; داده‌افزایی; شبکه عصبی کانولوشنال باقیمانده; شبکه عصبی واحد بازگشتی گیتی دوطرفه