Барыкин С.Г., Плотникова Н.В. Системы искусственного интеллекта

Подождите немного. Документ загружается.

Нейросетевой ап-

проксиматор фонемы

Интегратор

погрешности,

определяю-

щий степень

принадлеж-

нос-ти сег-

мента речи

онеме

Интегратор

погрешности,

пределяющи

степень при-

надлежности

сегмента речи

фонеме

Селектор

фонем по

уровню

досто-

верности

Граф

воз-

можных

цепочек

фонем

Семантико-

синтакси-

ческий ана-

лизатор

цепочек

фонем

Синтакси-

ческие пра-

вила

Словарь

Нейросетевой аппрок-

симатор фонемы 1

Окно сегмента речи

Окно прогноза

Рис. 3.5. Схема распознавания речи на основе нейросетевой аппроксима-

ции сигнала

Количество входов определялось в соответствии с оценкой периода основ-

ного тона для данного диктора. В обучении было задействовано по 10 реализа-

ции каждой фонемы одного диктора.

Результаты распознавания фонем нейросетями представлены на рис. 3.6,

который показывает временную зависимость суммарного отклонения входного

сигнала от эталона каждой фонемы.

Анализ моделирования процесса распознавания показал, что для улучше-

ния работы метода исходный сигнал целесообразно подвергнуть процедуре

сглаживания, при которой каждое мгновенное значение амплитуды усредняется

с соседними в некоторой окрестности. Такое преобразование позволило снизить

вклад высокочастотных составляющих речи без потерь информации, поскольку

исходный ряд при необходимости может быть полностью восстановлен.

На этом этапе обработки формируется описание сигнала в виде матрицы

достоверности фонем на каждом временном интервале. Такая матрица порожда-

ет множество фонемных цепочек, характеризуемых степенью их соответствия

исходному слову. Цепочки можно представить в виде графа, показанного на рис.

3.7. Здесь наименьший коэффициент соответствует наилучшему сходству.

Дальнейший анализ предполагает проверку всех возможных цепочек на

соответствие словам словаря. Однако множество цепочек растёт экспоненциаль-

но с увеличением длительности произнесения, поэтому прямой перебор неэф-

фективен. Для выбора наилучшего слова использовался метод динамического

программирования, оптимизирующий расстояние между фонемными цепочками

и каждым из слов словаря.

Рис. 3.6. Суммарные ошибки нейросетей для слова «один»

Рис. 3.7. Граф цепочек фонем для произнесенного слова «один».

Мeтoд может быть использован в качестве базового в системе автоматиче-

ского распознавания речи. Основными его недостатками следует считать невоз-

можность распознавания невокализованных фонем, а также неустойчивость к

смене диктора при распознавании согласных. Для преодоления этих проблем не-

обходимо привлечение дополнительных процедур предварительной обработки

входной информации.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

Загоруйко Н.Г. Методы распознавания и их применение. – М.: Советское

радио, 1972. – 208 с.

Здор С.Е., Широков В.Б. Оптический поиск и распознавание. – М.: Наука,

1973. – 240 с.

Интеллектуальные системы автоматического управления / Под ред. И.М.

Макарова, В.М. Лохина. – М.: Физматлит, 2001.

Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры: Учебное пособие по

специальности «Вычислительные машины, комплексы, системы и сети». – М.:

Изд-во МГТУ, 2002.

Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и

практика. – М.: Горячая линия – Телеком: Грааль, 2001.

Нильсон Н. Принципы искусственного интеллекта / Пер. с англ. – М.: Ра-

дио и связь, 1985. – 376 с.

Одинцов Б.Е. Проектирование экономических экспертных систем: Учебное

пособие для вузов. – М.: Компьютер, ЮНИТИ, 1996.

Попов Е.П., Верещагин А.Ф. Манипуляционные роботы: динамика и ал-

горитмы. – М.: Наука, 1978. – 400 с.

Робототехника и гибкие автоматизированные производства. В 9 кн. Кн. 6.

Техническая имитация интеллекта: Учебное пособие для втузов / В.М. Назаре-

тов, Д.П. Ким; Под ред. И.М. Макарова. – М.: Высш. шк., 1986. – 144 с.

10.

Системы очувствления и адаптивные промышленные роботы / В.Б. Брагин,

Ю.Г. Войлов, Ю.Д. Жаботинскнй и др.; Под общ. ред. Е.П. Попова, В.В. Клюева.

– М.: Машиностроение, 1985. – 256 с.

11.

Тимофеев А.В. Роботы и искусственный интеллект. – М.: Наука, 1978. –

192 с.

12.

Уинстон П. Искусственный интеллект / Пер. с англ. – М.: Мир, 1980. – 519

с.

13.

Управление, информация, интеллект / Под ред. А.И. Берга и дp. – М.:

Мысль, 1976. – 384 с.

14.

Федяев О.И., Гладунов С.А. Нейросетевой интерпретатор речевых команд

для управления программными системами //Труды 7-й всероссийской конферен-

ции “Нейрокомпьютеры и их применение”, НКП-2001, Москва, 14–16 февраля

2001 г.

15.

Эндрю А. Искусственный интеллект / Пер. с англ.; Под ред. и предисл.

Д.А. Поспелова. – М.: Мир, 1985. – 264 с.

ОГЛАВЛЕНИЕ

Введение ……………………………………………………………………….. 3

Глава 1. Представление знаний ………………………………………………. 4

1.1. Логические модели представления знаний ………………………... 4

1.2. Фреймы для представления знаний ………………………………… 11

1.3. Семантические сети …………………………………………………. 16

Глава 2. Системы искусственного интеллекта

2.1. Игровые системы ……………………………………………………. 24

2.2. Экспертные системы ………………………………………………… 31

2.2.1. Функции и структура экспертных систем ……………………. 33

2.2.2. Тип задач, решаемых с помощью экспертных систем ………. 35

2.2.3. Классификация экспертных систем …………………………... 35

2.2.4. Области применения экспертных систем …………………….. 36

2.2.5. Экспертные системы в экономике ……………………………. 38

2.2.6. Управление, целеобразование, аудит …………………………. 39

2.2.7. Математический аппарат экономической экспертной систе-

мы ……………………………………………………………………… 45

2.3. Искусственные нейронные сети ……………………………………. 46

2.3.1. Свойства искусственных нейронных сетей …………………... 47

2.3.2. Классификация нейронных сетей ……………………………... 50

2.3.3. Математическое описание нейронных сетей ………………… 55

2.3.4. Архитектура связей ……………………………………………. 56

2.3.5 Задачи оптимизации при обучении нейронной сети …………. 56

2.3.6. Обучение однослойных нейронных сетей с учителем ………. 59

Глава 3. Распознавание образов

3.1. Подходы к распознаванию образов ………………………………… 65

3.2. Алгоритмы обработки изображений в системах технического

зрения ……………………………………………………………………... 67

3.3. Схема модели восприятия речи …………………………………….. 75

3.4. Распознавание речи на основе нейросетевой аппроксимации фо-

нем ………………………………………………………………………… 78

Библиографический список …………………………………………………... 83