ارائه درون یابی KNNGI و مقایسه آن با درون یابی FL2 در بازشناسی گفتار

مدل سازی آماری hmm‌رویکردی پرکاربرد در سیستم های بازشناسی گفتار پیوسته و گسسته است . توزیع احتمال بردارهای مشاهدات هر حالت پنهان مدل به دو روش پیوسته و گسسته تخمین زده می شوند . عملکرد توزیع احتمال پیوسته ( با مدل سازی gmm) بالاتر از عملکرد توزیع احتمال گسسته ( با مدل سازی vq) است .ولی چنانچه بخواهیم از رویکرد hmm برای بازشناسی گفتار گسسته با دایره لغات وسیع استفاده کنیم . هزینه محاسباتی مرحله ی 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 درنگ استفاده می وشد . برای جبران کاهش دقت و عملکرد مدل سازی dd- hmm استفاده از درون یابی فازی f1 مرسوم است .در این تحقیق روش درون یابی گوسی که دارای پشتوانه نظری قوی تر نسبت به f1است ارائه کرده ایم . کارایی دو روش درون یابی knngi و f1 در بازشناسی 1500 کلمه فارسی مورد تحقیق وبررسی قرار دادیم . نتایج این تحقیق نشان میدهد که دقت و انعطاف پذیری درون یابی knngi بیشتر از روش f1است .