Subscribe to the gold package and get unlimited access to Shamra Academy
Register a new userIsolated Word Recognition
التعرف على الكلمات المعزولة
2166
0 186
0
(
0
)
Added by
Tishreen University مشروع تخرج
Publication date
2016
fields
Informatics Engineering
and research's language is
العربية
Created by
Zulfiqar Murhej
Ask ChatGPT about the research
الغاية من هذا البحث بناء نظام لتصنيف نطق الأرقام الانكليزية وذلك بالاعتماد على نماذج ماركوف المخفية في التصنيف وذلك بالاعتماد على طيف الإشارة في استخراج سمات الإشارات
No English abstract
Artificial intelligence review:
Research summary
يتناول هذا البحث بناء نظام للتعرف على الكلمات المعزولة باستخدام نماذج ماركوف المخفية (HMM) وتقنية Mel Frequency Cepstral Coefficients (MFCC). يهدف النظام إلى مساعدة مرضى الشلل الرباعي في التفاعل مع الحاسب من خلال التعرف على الأرقام الإنجليزية. تم جمع 2000 عينة صوتية من 20 شخصًا، وتمت معالجة هذه البيانات للتخلص من الضجيج باستخدام تقنية MFCC لاستخراج 12 سمة لكل إشارة. ثم تم فهرسة هذه السمات باستخدام التكميم الشعاعي للحصول على فهرس مكون من 130 عنقودًا، والذي يستخدم كدخل لنموذج ماركوف المخفي الذي تم تدريبه على عينات التدريب. حقق النظام دقة تصل إلى 86%. يشمل البحث دراسة تفصيلية لمراحل التعرف على الكلام، بدءًا من التسجيل ومعالجة الإشارة، مرورًا باستخراج السمات، وصولًا إلى التكميم الشعاعي وتوليد الفهرس، وأخيرًا استخدام نماذج ماركوف المخفية في التعرف على الكلمات.
Critical review
دراسة نقدية: على الرغم من أن البحث يقدم نظامًا فعالًا للتعرف على الكلمات المعزولة باستخدام نماذج ماركوف المخفية وتقنية MFCC، إلا أن هناك بعض النقاط التي يمكن تحسينها. أولاً، يمكن زيادة عدد عينات التدريب وتنويعها لتغطية أكبر شريحة ممكنة من الأصوات البشرية، مما يزيد من دقة النظام. ثانيًا، يمكن دمج تقنيات أخرى لاستخراج السمات مثل DTW أو الشبكات العصبية لتحسين نتائج التدريب. ثالثًا، يمكن تحسين معالجة الإشارة بشكل أكبر للتخلص من الضجيج بشكل أفضل. وأخيرًا، يمكن دراسة تأثير استخدام نماذج ماركوف المخفية في لغات أخرى غير الإنجليزية لتوسيع نطاق التطبيق.
Questions related to the research
-
ما هو الهدف الرئيسي من بناء نظام التعرف على الكلمات المعزولة في هذا البحث؟
الهدف الرئيسي هو مساعدة مرضى الشلل الرباعي في التفاعل مع الحاسب من خلال التعرف على الأرقام الإنجليزية.
-
ما هي التقنية المستخدمة لاستخراج السمات من الإشارات الصوتية؟
تم استخدام تقنية Mel Frequency Cepstral Coefficients (MFCC) لاستخراج السمات من الإشارات الصوتية.
-
ما هي دقة النظام الذي تم تحقيقها في هذا البحث؟
حقق النظام دقة تصل إلى 86%.
-
ما هي الخطوة التالية بعد استخراج السمات في عملية التعرف على الكلمات المعزولة؟
بعد استخراج السمات، يتم فهرسة هذه السمات باستخدام التكميم الشعاعي للحصول على فهرس مكون من 130 عنقودًا، والذي يستخدم كدخل لنموذج ماركوف المخفي.
References used
Fundamentals of Speech Recognition
rate research
Read More
This article describes a system to predict the complexity of words for the Lexical Complexity Prediction (LCP) shared task hosted at SemEval 2021 (Task 1) with a new annotated English dataset with a Likert scale. Located in the Lexical Semantics trac
k, the task consisted of predicting the complexity value of the words in context. A machine learning approach was carried out based on the frequency of the words and several characteristics added at word level. Over these features, a supervised random forest regression algorithm was trained. Several runs were performed with different values to observe the performance of the algorithm. For the evaluation, our best results reported a M.A.E score of 0.07347, M.S.E. of 0.00938, and R.M.S.E. of 0.096871. Our experiments showed that, with a greater number of characteristics, the precision of the classification increases.
To evaluate the symptoms, causes, methods of management and efficacy of this
methods of isolated sphenoid sinus disease.
Isolated sphenoid sinus disease is uncommon, but it may be critical and a cause of important
ocular and neurological complications.
Modern natural language understanding models depend on pretrained subword embeddings, but applications may need to reason about words that were never or rarely seen during pretraining. We show that examples that depend critically on a rarer word are
more challenging for natural language inference models. Then we explore how a model could learn to use definitions, provided in natural text, to overcome this handicap. Our model's understanding of a definition is usually weaker than a well-modeled word embedding, but it recovers most of the performance gap from using a completely untrained word.
In this work, our goal is recognizing human action from video data. First we
propose an overview about Human Action Recognition, includes the famous
methods and previous algorithms, then we propose an algorithm and its
implementation using MATLAB.
Abstract We take a step towards addressing the under- representation of the African continent in NLP research by bringing together different stakeholders to create the first large, publicly available, high-quality dataset for named entity recognition
(NER) in ten African languages. We detail the characteristics of these languages to help researchers and practitioners better understand the challenges they pose for NER tasks. We analyze our datasets and conduct an extensive empirical evaluation of state- of-the-art methods across both supervised and transfer learning settings. Finally, we release the data, code, and models to inspire future research on African NLP.1
suggested questions
Log in to be able to interact and post comments
comments
Fetching comments
Sign in to be able to follow your search criteria
