| المستخلص: |
أصبح استخدام الحاسب الآلي يشمل كثيرا من المجالات العلمية والتطبيقية في مختلف نواحي الحياة. ومن ضمن هذه الاستخدامات استخدام الحاسب لتميز الكلمات والأصوات. ولقد شهد هذا المجال تطورا مطردا حتى غدت نسبة التميز في كثير من هذه الأنظمة عالية نسبيا مما مكن دخولها مرحلة التطبيق الفعلي. أنظمة التميز الآلي للكلمات يمكن تقسيمها إلى أقسام رئيسية، نذكر منها: الأنظمة التي تعتمد على مقارنة النماذج (DTW) والأنظمة التي تستخدم الطرق الإحصائية (HMMs) وقسم ثالث يقوم على استخدام الشبكات الذكية (ANNs) التي تحاكي أسلوب عمل العقل في بعض جوانبه. كما يمكن الربط والتوفيق بين هذه الطرق الرئيسية للخروج بأنظمة هجينة (Hybrid) تجمع كثيرا من الصفات الإيجابية لهذه الأنظمة. من خلال هذه الدراسة تم تطوير نظام تميز للكلمات المفردة النطق يجمع بين مقارنة النماذج وأنظمة الشبكات الذكية للوصول إلى نظام يحقق قدرا مناسبا من الدقة في تميز الكلمات والأصوات. تم اختبار النظام على عدة قواعد بيانات صوتية منها ما هو محلي (الأرقام العربية) وقاعدة بيانات من جامعة Otago في نيوزلندا (الأرقام الإنجليزية) وقاعدة بيانات TIMIT والتي أخذت منها كلمات منفردة من جملتين أساسيتين وتوسعت الاختبارات لتشمل CTIMIT وTIDIGITS. إن هذا النظام المطور يتمتع بكثير من الميزات الإيجابية؛ نذكر منها: سهولة التطبيق؛ الدقة العالية؛ الاستقرار في وجود عوامل مختلفة؛ الفاعلية في بيئات مختلفة مثل الهاتف الجوال. وإضافة لكل تلك الميزات يمكن تطبيق هذا النظام في مجالات أخرى مشابهة. مثل الأنظمة التي تعتمد على مقارنة النماذج (DTW). ولقد أطلق على هذا النظام اسم.Relative Distance Vector Neural Network (RDVNN)
This paper introduces a novel insight to the problem of Automatic Speech Recognition (ASR). Worldwide many practical systems had been developed for ASR. Most of these systems were based on Hidden Markov Models (HMM). This is state-of-the-art paradigm in ASR. Despite the fact that HMMs are successful under a diversity of conditions, they do suffer from some limitations that limit their applicability to real-world noisy environments. As a result, several researchers moved to Artificial Neural Networks (ANNs) as an alternative technique for ASR, in order to overcome the limitations encountered in pure HMM implementation. Soon after, interest moved over to hybrid systems that combine HMMs and ANNs within a single unifying hybrid architecture. In this study a hybrid DTW/ANN ASR system will be introduced, explained, implemented and analyzed, which has been given the name Relative Distance Vector Neural Network (RDVNN) Model. Adequate experiments had been performed to reveal the main characteristics of the present novel hybrid ASR system. The results are believed to be encouraging and the system is easy to implement. For speaker dependent the accuracy is near perfect (error rate is less than 1%). For speaker independent models the results attained are comparable with most world-wide results known for the state-of-the-art ASR small task systems. Many aspects of the RDVNN technique are illustrated through experimental work to demonstrate these findings. One of the main advantages of the RDVNN method is that it can be applied to various other similar problem domains.
|
