ترجمه مقاله آزمایش خودکار قابلیت تشخیص پایه برای سیستم تشخیص گفتار - نشریه IEEE

قیمت خرید این محصول

۵۱,۰۰۰ تومان

دانلود مقاله انگلیسی

عنوان فارسی

آزمایش خودکار قابلیت تشخیص پایه برای سیستم های تشخیص گفتار

عنوان انگلیسی

Automated Testing of Basic Recognition Capability for Speech Recognition Systems

صفحات مقاله فارسی

33

صفحات مقاله انگلیسی

12

سال انتشار

2019

رفرنس

دارای رفرنس در داخل متن و انتهای مقاله

نشریه

آی تریپل ای - IEEE

فرمت مقاله انگلیسی

pdf و ورد تایپ شده با قابلیت ویرایش

فرمت ترجمه مقاله

pdf و ورد تایپ شده با قابلیت ویرایش

فونت ترجمه مقاله

بی نازنین

سایز ترجمه مقاله

14

نوع مقاله

ISI

نوع ارائه مقاله

کنفرانس

شناسه ISSN مجله

2159-4848

کد محصول

12444

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است ✓

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه شده است ✓

وضعیت ترجمه منابع داخل متن

به صورت عدد درج شده است ✓

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است ✓

ضمیمه

ندارد ☓

بیس

نیست ☓

مدل مفهومی

ندارد ☓

پرسشنامه

ندارد ☓

متغیر

ندارد ☓

فرضیه

ندارد ☓

رفرنس در ترجمه

در انتهای مقاله درج شده است

رشته و گرایش های مرتبط با این مقاله

مهندسی کامپیوتر - هوش مصنوعی - مهندسی الگوریتم ها و محاسبات - مهندسی نرم افزار

کلمات کلیدی

هوش مصنوعی - مهندسی الگوریتم ها و محاسبات - مهندسی نرم افزار

کلمات کلیدی انگلیسی

سیستم تشخیص گفتار - تست های خودکار - مدل سازی تست سیستم ASR

doi یا شناسه دیجیتال

https://doi.org/10.1109/ICST.2019.00012

۰.۰ (بدون امتیاز)

امتیاز دهید

فهرست مطالب

چکیده
1. مقدمه
2. تست شناسایی پایه برای ASR
3. خودکار سازی کردن تست های شناسایی پایه
4. ارزیابی آزمایشی
5. مباحث
6. کارهای مربوطه
7. جمع بندی
منابع

تصاویر فایل ورد ترجمه مقاله (جهت بزرگنمایی روی عکس کلیک نمایید)

نمونه چکیده ترجمه متن فارسی

چکیده
سیستم های تشخیص گفتار، داده های صوتی را به داده های متنی تبدیل می کنند یعنی توالی کلمات را به عنوان نتایج تشخیص گفتار ارائه می کنند. این توالی از کلمات، معمولا بر اساس مدل زبانی در سیستم تشخیص گفتار تعریف می شوند. ازین رو، ظرفیت سیستم تشخیص گفتار برای تبدیل کردن داده های صوتی به دست آمده از کلماتی با تلفظ عادی به توالی کلماتی که مطابق با کلمات اصلی باشد و مورد قبول مدل زبانی باشد را می توان به عنوان ظرفیت شناسایی پایه سیستم تشخیص گفتار، در نظر گرفت. این کار، یک روش تست برای بررسی این مفهوم ارائه می کند که نشان میدهد آیا سیستم های تشخیص گفتار این ظرفیت پایه شناسایی را دارند یا خیر. این روش، با اجرا کردن تست هایی به صورت مجزا برای بررسی قدرت شناسایی، ظرفیت پایه را تایید می کند. همچنین این تست به صورتی است که کاملا خودکار اجرا می شود. ما یک سیستم خودکار سازی تست را ایجاد کرده و آن را از طریق آزمایش های مختلف بررسی کردیم تا ببینیم که آیا می تواند نقص های موجود در سیستم شناسایی گفتار را تشخیص دهد یا خیر. نتایج نشان میدهد که این سیستم تست خودکار می تواند به صورت موثر، نقص های پایه در فاز توسعه و یا اصلاح اولیه سیستم را شناسایی کند.

تست شناسایی پایه برای ASR
این بخش اول فرآیند و بخش های مرتبط با سیستم های ASR را از نقطه نظر مهندسی نرم افزار ارائه کرده و سپس دیدگاه مرتبط با تست را برای ارزیابی ظرفیت های شناسایی پایه برای ASR معرفی می کند.
الف) مروری بر سیستم های ASR
مروری بر بخش ها و داده های مدل مورد استفاده در سیستم های ASR معمولی و پردازش های آن ها در شکل 1 ارائه شده است. به صورت کلی، گفتار اول به صورت داده های سیگنال توالی زمانی دیجیتالی می شود ( که با نام داده های صوتی و یا توالی صوتی شناخته می شوند) و سپس با استفاده از بخش استخراج ویژگی، این داده ها را به صورت سری های زمانی از بردار های ویژگی تبدیل می کند. بعد از آن، بردار های ویژگی به صورت توالی هایی از کلمات بر اساس زبان شناسایی ASR تبدیل می شوند. هر کدام از توالی کلمات ایجاد شده دارای یک شاخص می باشد که نشان دهنده احتمال نتایج می باشد و توالی کلماتی که بهترین شاخص را داشته باشد به عنوان خروجی سیستم تشخیص گفتار مورد استفاده قرار می گیرد. به عنوان مثال، فرض می کنیم ما یک سیستم ASR داریم که گفتاری مانند « sheez oe flou-er tuh izhous» را پردازش می کند. این سیستم، این گفتار رابه کلمات مختلف احتمالی تبدیل می کند مانند این کلمات [She is the flower to his house: 0.8] و [She is the flour to his house: 0.1]. سیستم جمله اول را به عنوان خروجی در نظر می گیرد زیرا شاخص بهتری دارد. بخش شناسایی که در شکل 1 نشان داده شده است با نام دکودر (کد گشا) شناخته می شود. این بخش، سری های زمانی بردار های ویژگی را به صورت توالی کلمات تبدیل می کند و این فرآیند شامل سه مدل می باشد: مدل صوتری، که شامل نگاشت تصادفی از واج ها به صورت سری های زمانی در بردار ویژگی می باشد، و یک لغت نامه، که شامل اطلاعاتی در رابطه با نگاشت تصادفی از کلمات بر روی رشته های واج ها می باشد ( که شامل تلفظ هر کلمه است) و یک مدل زبانی، که دستور گرامر متن شناسایی شده را مشخص می کند ( یعنی توالی کلمات) و احتمال هر کدام از متونی که با گرامر تطابق داشته باشند را بررسی می کند. در این قسمت، ما از متغیر های کلی v، x و w استفاده می کنیم که در سری زمانی بردار ویژگی ، توالی واج ها و توالی کلمات تغییر می کنند. سپس ما میتوانیم این مدل های صوتی، لغت نامه ها و مدل های زبانی را به صورت احتمالات شرطی ، و ارائه کنیم. این دکودر به در واقع توالی کلمات به صورت w را محاسبه می کند که با استفاده از معادله های زیر به دست می آید و در واقع احتمال موخر را به حداکثر رسانده و به صورت همزمان، سه مدل را هم در نظر می گیرد [4]:

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی کامپیوتر