Sun’iy neyron tarmoqlarida nutqni sintezlash modellari tahlili mavzusida bitiruv malakaviy ishi

5-rasm. Video va audio ko’rinishdagi ma’lumotlarni sun’iy neyron tarmoqlariga uzatish.
Gaplarni parametrlashtirishning bu usuli signal naqshlarini tavsiflashdan iborat musiqiy intervallarni yoki aniqrog'i ularning chastota nisbatlarida. Malumot chastotasi, ya'ni bizning asosiy chastotamiz hol, har bir talaffuz xususiyatidagi tanlovlar bilan beriladi. Biz foydalanamiz avtokorrelyatsiya funktsiyasi. Chastota nisbatlari solishtiriladi MLNN treningi uchun musiqa intervallari va kirish vektori bilan 20 ta qiymat bilan hisoblab chiqiladi. Yashirin qatlam 35 ta neyron edi. chiqish qatlami 4 neyron edi. Trening soni bir so'zli jumlalar uchun epoch 75 edi. Ko'p so'z uchun 84 jumlalar.
C. III usul: ikkala oldingi yondashuvning kombinatsiyasi
Uchinchi usul oldingi ikkalasining kombinatsiyasi edi usullari. MLNN treningi uchun 29 ta naqshlar tomonidan yaratilgan Musiqa intervallariga tegishli nisbatlarni o'z ichiga olgan 20 ta qiymat va musiqaning akustik sifatini tavsiflovchi 9 ta qiymat aytish xususiyati. Yashirin qatlam esa 55 neyron edi chiqish qatlami 4 neyron edi. Trening soni bir so'zli jumlalar uchun epoch 57 edi. Ko'p so'z uchun 106 jumlalar.[21]
IV. TAJRIBA NATIJALARI
Tajriba natijalari quyidagi jadvalda keltirilgan va raqamlar. Ushbu jadval barcha uchta tavsiflangan usullar uchun hissiy tasniflashning muvaffaqiyat darajasini umumlashtiradi. MLNN uchun birinchi usulga yondashish (akustik parametrlar asosida) Bir so'zli talaffuz uchun eng yaxshisi edi, lekin ular orasidagi farq bir so'zli va ko'p so'zli gaplar eng katta (9,9%). Ikkinchi usul uchun muvaffaqiyat (musiqa nazariyasiga asoslangan). har ikki turdagi gaplar uchun ham yomonroq, lekin orasidagi farq ular kichikroq (5,1%). Uchinchi usul (kombinatsiya) – bu Ularning eng yaxshisi ko'p so'zli talaffuz uchun, qo'shimcha ravishda Bir so'zli va ko'p so'zli gaplar o'rtasidagi farqlar mutlaqo eng kichik (1,2%). SOM yondashuvi bilan SOM sifatini aniqlash murakkab. Biz kuzatayotgan edik topografik va kvantlash xatolari bilan o'rganish sifati usullarini solishtirish uchun. Topografik xato (TE) kiritish va o'rtasida ma'lumotlar topologiyasining saqlanishini predikatsiya qiladi chiqish maydoni. Kvantlash xatosi (QE) aniqlikni aks ettiradi xaritalash (bu kirish matritsasining soni bilan bog'liq elementlar va xaritaning o'lchami).
Agar xarita birliklari soni o'quv namunalari sonidan ko'p bo'lsa, SOM treningining muvaffaqiyati kamayadi; bu bizning SOM yondashuvimizdagi asosiy muammo bo'lishi mumkin. Bizning tajribalarimizda biz xaritalarning bir xil o'lchamidan foydalandik