ارائه درون یابی KNNGI و مقایسه آن با درون یابی FI در بازشناسی گفتار

مدل سازی آماری HMM رویکردی پرکاربرد در سیستمهای بازشناسی گفتار پیوسته و گسسته است. توزیع احتمال بردارهای مشاهدات هر حالت پنهان مدل، به دو روش پیوسته۳ یا گسسته۴ تخمین زده می شوند. عملکرد توزیع احتمال پیوسته (با مدل سازی GMM۵) بالاتر از عملکرد توزیع احتمال گسسته (با مدل سازی VQ۶) است. ولی چنانچه بخواهیم از رویکرد HMM برای بازشناسی گفتار گسسته با دایره لغات وسیع استفاده کنیم، هزینه محاسباتی مرحله بازشناسی با افزایش تعداد لغات، به نحو چشمگیری افزایش می یابد. بدین لحاظ در بازشناسی گفتار گسسته با دایره لغات وسیع، از توزیع احتمال گسسته به منظور کاهش هزینه محاسباتی و امکان پیاده سازی بی درنگ۷ استفاده می شود. برای جبران کاهش دقت و عملکرد مدل سازی DD-HMM، استفاده از درون یابی فازی FI مرسوم است. در این تحقیق روش درون یابی گوسی که دارای پشتوانه نظری قوی تر نسبت به FI است ارائه کرده ایم. کارایی دو روش درون یابی KNNGI و FI در بازشناسی ۱۵۰۰ کلمه فارسی مورد تحقیق و بررسی قرار دادیم. نتایج این تحقیق نشان می دهد که دقت و انعطاف پذیری درون یابی KNNGI بیشتر از روش FI است.