ارايه يك روش جديد مبتني بر شبكه عصبي مصنوعي جهت تشخيص گفتار

هدف از تشخيص گفتار، طراحي و پياده‌سازي سيستمي است كه ‌اطلاعات گفتاري را دريافت كرده، متن و فرمان گوينده را استخراج مي‌كند. در اين مقاله روشي ارائه مي‌شود كه بتواند كلمات انگليسي را بصورت مستقل از گوينده و به صورت گسسته تشخيص دهد. در اين راستا، براي پياده‌‌سازي مقايسه¬ي ‌الگوهاي تشخيص گفتار از روش‌هاي شبكه عصبي مصنوعي، درخت تصميم‌گيري و ماشين بردار پشتيبان بهره مي¬گيريم. براي ارزيابي روش پيشنهادي از مجموعه داده استاندارد TIMIT كه مجموعه ‌داده رايج براي ارزيابي سيستم‌هاي تشخيص گفتار بوده و جهت استخراج ويژگي‌ها و يكسان سازي فريمي نيز از تحليل تشخيصي و آناليز فرض استفاده مي‌كنيم. نتايج بدست آمده نشان مي‌دهند با استفاده از روش شبكه عصبي مصنوعي ميانگين نرخ‌تشخيص درست 85/93 درصد، با روش ماشين بردار پشتيبان نرخ‌تشخيص 63/82 درصد و با روش درخت تصميم‌گيري نرخ تشخيص 93/56 درصد حاصل مي‌شود.