افزایش نرخ صحیح بازشناسی گفتار با استفاده از تطبیق مدل زبانی

مدل های زبانی بشدت تحت تاثیر ویژگی های لغوی، نحوی و معنایی سخنان آموزش دیده است و در راستای جبران این نقصمساله تطبیق مدل های زبانی مطرح می شود. یکی از مهم ترین روش های تطبیق که در این مقاله بررسی می شود مدل STM میباشد. از طرفی از مهم ترین و پرکاربردترین مدل های زبانی، مدل های آماری زبان می باشند. در این مدل ها اغلب کلماتی ارائه میشوند که از لحاظ نحوی و معنایی و گاهی هم از لحاظ عملی نامناسب هستند. برای حل این مشکل استفاده از FLM یا مدل زبانیفاکتورگرا پیشنهاد شد. در این مقاله با توجه به نتایج بدست آمده خواهیم دید روش FLM با در نظر گرفتن اطلاعات نحوی متن مانندادات سخن، و روش STM با توجه به بخش بندی متون و در نظر گرفتن موضوعات بخش ها قادر هستند مدل زبانی کاملتری تولیدکرده و سبب بهبود نرخ صحیح بازشناسی کلمه شوند. در روش پیشنهادی دوم با تلفیق دو روش FLM و STM روش FSTM مطرحگردید که ضمن ارائه چهارچوب کلی و روابط مربوطه، عملکرد آنرا با روشهای تطبیق مدل زبانی متداول مقایسه نمودیم. نتایجآزمایشات کارایی بهتر روش پیشنهادی را نسبت به دیگر روشهای تطبیق نشان داد.