ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب A Syllable, Articulatory-Feature, and Stress-Accent Model of Speech Recognition

دانلود کتاب یک مدل هجا، ویژگی بیانی و استرس-لهجه برای تشخیص گفتار

A Syllable, Articulatory-Feature, and Stress-Accent Model of Speech Recognition

مشخصات کتاب

A Syllable, Articulatory-Feature, and Stress-Accent Model of Speech Recognition

دسته بندی: خارجی: انگلیسی
ویرایش:  
نویسندگان:   
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 286 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت 

قیمت کتاب (تومان) : 29,000



کلمات کلیدی مربوط به کتاب یک مدل هجا، ویژگی بیانی و استرس-لهجه برای تشخیص گفتار: زبان و زبان شناسی، انگلیسی، آواشناسی / واج شناسی و آواشناسی انگلیسی، آواشناسی نظری و آواشناسی زبان انگلیسی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 4


در صورت تبدیل فایل کتاب A Syllable, Articulatory-Feature, and Stress-Accent Model of Speech Recognition به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب یک مدل هجا، ویژگی بیانی و استرس-لهجه برای تشخیص گفتار نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب یک مدل هجا، ویژگی بیانی و استرس-لهجه برای تشخیص گفتار

286 صفحه.
دکتر فلسفه در علوم کامپیوتر
دانشگاه کالیفرنیا، برکلی، 2002
پروفسور نلسون مورگان، دکتر لوکندرا شاستری، Cochairs

نسل فعلی خودکار سیستم‌های تشخیص گفتار (ASR) فرض می‌کنند که کلمات به آسانی به اجزای آوایی تشکیل‌دهنده (\phonemes\") تجزیه می‌شوند.
یک کالبدشکافی دقیق زبانی از پیشرفته‌ترین سیستم‌های تشخیص گفتار نشان می‌دهد که واجی مرسوم \beads- رویکرد on-a-string از کاربرد محدودی برخوردار است، به ویژه در مورد مطالب غیررسمی و محاوره ای. این مطالعه نشان می دهد که شکاف قابل توجهی بین داده های مشاهده شده و مدل های تلفظ سیستم های ASR فعلی وجود دارد. همچنین نشان می‌دهد که بسیاری از عوامل مهم در عملکرد تشخیص به‌طور صریح در این سیستم‌ها مدل‌سازی نشده‌اند.
این پایان‌نامه با انگیزه این یافته‌ها، گفتار خود به خود را با توجه به سه مؤلفه مهم، اما اغلب نادیده گرفته شده از گفتار (حداقل با با احترام به ASR انگلیسی). این اجزاء عبارتند از ویژگی های مفصلی- آکوستیک (AF)، هجا و لهجه استرس. نتایج تجزیه و تحلیل شواهدی برای رویکرد جایگزین مدل‌سازی گفتار فراهم می‌کند، رویکردی که در آن هجا وضعیت برتر را به خود می‌گیرد و از طریق ادغام اطلاعات عروضی مانند لهجه تاکیدی به سطوح پایین‌تر و همچنین بالاتر بازنمایی زبانی ادغام می‌شود. با استفاده از مثال‌ها و آمارهای عینی از مطالب گفتاری خود به خود نشان داده می‌شود که یک رابطه سیستماتیک بین تحقق AF و لهجه استرس در ارتباط با موقعیت هجا وجود دارد. این رابطه می تواند برای ارائه یک توصیف دقیق و مقرون به صرفه از تنوع تلفظی در گفتار خود به خود استفاده شود. رویکردی برای استخراج خودکار AF از سیگنال صوتی نیز توسعه داده شده است، همانطور که سیستمی برای برچسب زدن خودکار استرس-لهجه گفتار خود به خودی است.
بر اساس نتایج این مطالعات، یک مدل هجا محور و چند لایه از تشخیص گفتار پیشنهاد شده است. این مدل به صراحت AF، بخش‌های آوایی و اجزای هجا را به چارچوبی برای نمایش واژگانی مرتبط می‌کند و اطلاعات تاکیدی-لهجه‌ای را در تشخیص ترکیب می‌کند. یک پیاده‌سازی بستر آزمایشی مدل با استفاده از یک رویکرد مبتنی بر فازی برای ترکیب شواهد از منابع مختلف AF و یک تکنیک مدل‌سازی تلفظ-تغییر با استفاده از آمار تغییرات AF استخراج شده از داده‌ها توسعه داده شده است.


توضیحاتی درمورد کتاب به خارجی

286 pages.
Doctor of Philosophy in Computer Science
University of California, Berkeley , 2002
Professor Nelson Morgan, Dr. Lokendra Shastri, Cochairs

Current-generation automatic speech recognition (ASR) systems assume that words are readily decomposable into constituent phonetic components (\phonemes").
A detailed linguistic dissection of state-of-the-art speech recognition systems indicates that the conventional phonemic \beads-on-a-string" approach is of limited utility, particularly with respect to informal, conversational material. The study shows that there is a signi cant gap between the observed data and the pronunciation models of current ASR systems. It also shows that many important factors a ecting recognition performance are not modeled explicitly in these systems.
Motivated by these ndings, this dissertation analyzes spontaneous speech with respect to three important, but often neglected, components of speech (at least with respect to English ASR). These components are articulatory-acoustic features (AFs), the syllable and stress accent. Analysis results provide evidence for an alternative approach of speech modeling, one in which the syllable assumes pre2 eminent status and is melded to the lower as well as the higher tiers of linguistic representation through the incorporation of prosodic information such as stress accent. Using concrete examples and statistics from spontaneous speech material it is shown that there exists a systematic relationship between the realization of AFs and stress accent in conjunction with syllable position. This relationship can be used to provide an accurate and parsimonious characterization of pronunciation variation in spontaneous speech. An approach to automatically extract AFs from the acoustic signal is also developed, as is a system for the automatic stress-accent labeling of spontaneous speech.
Based on the results of these studies a syllable-centric, multi-tier model of speech recognition is proposed. The model explicitly relates AFs, phonetic segments and syllable constituents to a framework for lexical representation, and incorporates stress-accent information into recognition. A test-bed implementation of the model is developed using a fuzzy-based approach for combining evidence from various AF sources and a pronunciation-variation modeling technique using AF-variation statistics extracted from data.





نظرات کاربران