ستار هاشمی - دانشکده کامپیوتر، دانشگاه علم و صنعت ایران
محسن رحمانی - دانشکده کامپیوتر، دانشگاه علم و صنعت ایران
محمدرضا کنگاوری - دانشکده کامپیوتر، دانشگاه علم و صنعت ایران
ناصر مزینی - دانشکده کامپیوتر، دانشگاه علم و صنعت ایران

توانایی شبکه های عصبی مصنوعی در یادگیری موازی از یک طرف، اهمیت یادگیری در پردازش زبان از طرف دیگر توجه تعدادی از محققین در زمینه پردازش زبان طبیعی را به خود معطوف کرده است. در این مقاله از میان حوزه های پردازش زبان طبیعی، برچسب زدن گفتار با استفاده از شبکه های عصبی پرسپترون M3 و شبکه عصبی خود سازمانده SOM مورد بررسی قرار گرفته است. هر کدام از شبکه های عصبی فوق الذکر عمل برچسب زدن را با توجه به کل جمله و با استفاده از مدل خاصی انجام می دهد. بعنوان مثال استفاده از یک پایگاه قوانین در کنار شبکه عصبی پرسپترون باعث افزایش دقت نهایی می شود. در صورتی که خطای پوسته زیاد باشد، شبکه پرسپترون با توجه به پیچیدگی مسئله همرگا نمی شود، در این موارد از شبکه عصبی M3 استفاده می شود که هنگام یادگیری قابلیت تصحیح بر خط پوسته را دارا است. شبکه عصبی SOM نیز با استفاده از خوشه بندی و تعریف معیار فاصله، کلمات را برچسب میزند.