| LEADER |
06219nam a2200325 4500 |
| 001 |
1998938 |
| 041 |
|
|
|a eng
|
| 100 |
|
|
|9 666191
|a Abu Gharbieh, Amani
|e Author
|
| 245 |
|
|
|a The Impact of Arabic Dialects on the Performance of Arabic Speech Recognition Systems
|
| 246 |
|
|
|a تأثير بعض اللهجات العربية على التعرف الآلي على الكلام باللغة العربية
|
| 260 |
|
|
|a بيرزيت
|c 2019
|
| 300 |
|
|
|a 1 - 100
|
| 336 |
|
|
|a رسائل جامعية
|
| 502 |
|
|
|b رسالة ماجستير
|c جامعة بيرزيت
|f كلية الدراسات العليا
|g فلسطين
|o 1679
|
| 520 |
|
|
|a يعد التعرف التلقائي على الكلام ASR جوهر الاهتمام لمعظم التطبيقات الحديثة، مثل البحث الصوتي، وإملاء الرسائل القصيرة وغيرها. واحدة من التحديات التي تواجه عملية التعرف على الكلام هي الاختلافات في الكلام البشري، وهذا يرجع إلى العديد من العوامل مثل العمر والجنس والجنسية ومستوى التعليم. عموما تعدد اللغات، اللهجات وطريقة النطق لها تأثير كبير أيضا. تضيف اللغة العربية تحديات أكبر من أي لغة أخرى، ويرجع ذلك إلى الفرق الكبير بين اللغة العربية الفصحى المعاصرة واللهجات الإقليمية في الدول العربية. في هذا البحث، ندرس تأثير اللهجات العربية على أداء التعرف التلقائي للغة العربية. يتم ذلك من خلال استخدام أساليب مختلفة للتكيف والتحسين في النموذج الصوتي. لقد وجدنا أن استخدام أحدث تقنية للشبكة العصبية العميقة HMM-DNN أدى إلى تحسين أداء التعرف التلقائي على نموذج المعياري التقليدي HMM-GMM. ونحصل على أفضل أداء عندما يكون لدينا HMM-DNN بخمس طبقات مخفية، وأبعاد 2048 مخفية، وتحسين الحد الأدنى للخطأ الصوتي MPE، واستخدام MFCC كمتجه حامل خصائص القطع الصوتي. وعندما نضيف DNN إلى مرحلة استخراج الميزات للحصول على Bottleneck feature، نحصل على أداء أفضل من استخدام MFCC. يجب أن نعرف أنه في مرحلة استخراج الميزات، قمنا بتقليل حجم الإطار إلى 20 مللي ثانية وحافظنا على تحول التنقل الزمني مساويا لـ 10 مللي ثانية. هذا الإجراء يزيد من التداخل بين الإطارات ويقلل من فقدان البيانات. أيضا في هذا البحث، بدأنا بتعرف تلقائي معتمد على لهجة معينة، وقد استخدمنا أربعة أحجام مختلفة من مجموعات البيانات تتراوح بين 2000 و50000. وجدنا أن زيادة حجم بيانات التدريب يعزز أداء التعرف التلقائي. والأهم من ذلك هو إضافة اللهجة العربية إلى مجموعة بيانات التدريب مما يعزز الأداء كذلك. قارنا أداء مجموعتين من مجموعات البيانات: الأولى تحتوي على بيانات من اللغة العربية الفصحى وحجمها 50000 جملة والثانية عبارة عن مزيج من لهجة عربية واللغة العربية الفصحى وحجمها 40000 جملة. وكانت النتيجة أننا حصلنا على أداء أفضل أثناء إضافة اللهجة إلى التدريب، وهذا يعني أن اختيار البيانات ونوعها لبيانات التدريب مهم أيضا لتحسين أداء التعرف الآلي للغة العربية وليس فقط حجم مجموعة بيانات التدريب. ثم فكرنا في مزج جميع اللهجات أثناء التدريب على التعرف الآلي للحصول على نموذج مستقل عن أي لهجة عربية. وكان أداء النموذج المستقل أفضل من النموذج المعتمد على لهجة معينة. ويعزى ذلك لحجم بيانات التدريب للهجات العربية. في هذا البحث أيضا حاولنا المقارنة بين أدوات المواءمة من خلال تجارب مختلفة، ووجدنا أن fMLLR ويغ باع يتصرفان بنفس الكفاءة أثناء استخدام DD-ASR أي في حالة التدريب على لهجة واحدة فقط. ولكن في حالة ID-ASR أي في حالة التدرب على أكثر من لهجة، كان أداءMAP أفضل من fMLLR. كما وتظهر نتائجنا أن استخدام تقنية الشبكات العميقة في أي مرحلة من مراحل التعرف الآلي على الأصوات، يعزز أداء التعرف الآلي على الأصوات باللغة العربية نظرا لأننا استخدمنا هذه التقنية لإنشاء متجه حامل خصائص الصوت واستخدمناها في مرحلة النموذج الصوتي.
|
| 653 |
|
|
|a الكلام البشري
|a اللهجات العربية
|a تقنية الشبكات
|a التعرف الآلي
|a اللغة العربية
|
| 700 |
|
|
|9 666195
|a Hannani, Abualsoud
|e Advisor
|
| 856 |
|
|
|u 9808-013-001-1679-T.pdf
|y صفحة العنوان
|
| 856 |
|
|
|u 9808-013-001-1679-A.pdf
|y المستخلص
|
| 856 |
|
|
|u 9808-013-001-1679-C.pdf
|y قائمة المحتويات
|
| 856 |
|
|
|u 9808-013-001-1679-F.pdf
|y 24 صفحة الأولى
|
| 856 |
|
|
|u 9808-013-001-1679-1.pdf
|y 1 الفصل
|
| 856 |
|
|
|u 9808-013-001-1679-2.pdf
|y 2 الفصل
|
| 856 |
|
|
|u 9808-013-001-1679-3.pdf
|y 3 الفصل
|
| 856 |
|
|
|u 9808-013-001-1679-4.pdf
|y 4 الفصل
|
| 856 |
|
|
|u 9808-013-001-1679-5.pdf
|y 5 الفصل
|
| 856 |
|
|
|u 9808-013-001-1679-R.pdf
|y المصادر والمراجع
|
| 930 |
|
|
|d y
|
| 995 |
|
|
|a Dissertations
|
| 999 |
|
|
|c 1248546
|d 1248546
|
