Yapay sinir ağları ile hece algılama

Abstract

ÖZET Bu çalışmada, Türkçe'deki heceler ve yapay sinir ağlan incelenmiş ve Hata- Geri Yayılım algoritması kullanılarak yapay sinir ağı hece paternleri ile eğitilmiştir. Eğitilen sistemin hece paternlerini tanıması sağlanmıştır. Mikrofon ile elektriksel işarete dönüştürülen hece işareti, yüksek frekanslı bileşenleri süzmek için band genişliği 4 kHz olan alçak geçiren süzgeçten (AGS) geçirilmiş ve analog/sayısal dönüştürücü (ASD) ile sayısal işarete dönüştürülmüştür. İşaret sayısala dönüştürülürken, örnekleme, kuvantalama ve kodlama işlemlerine tabi tutulmuştur. İnsan kulağının söze karşı duyarlılığı incelendiğinde iki önemli nokta görülür. Bunlardan birincisi; kulağın sözün fazına karşı duyarsız olduğudur, ikincisi ise; sözün güç tayfına karşı oldukça duyarlı olduğudur. Sözün güç tayfi incelendiğinde, ses bölgesi frekanslarının belirlenmesi önem kazanır. Bu frekanslarının belirlenmesi için, ayrık fourier dönüşümü kullanılmıştır. Bu adımlardan sonra elde edilen bilgiler, aynı standartta olmaları için normalize edilmişlerdir. Böylece elde edilen paternlerle yapay sinir ağı eğitilmiş ve eğitilen ağın paternleri algılaması sağlanmıştır. Eğitmenin anlamı; başlangıç ağırlıklarının ayarlanmasıdır. Çalışmada iki katmanlı yapay sinir ağı için hata-geri yayılım algoritmasına ilişkin bilgisayar yazılımı gerçeklenmiştir. Anahtar Kelimeler : Yapay sinir ağı, hata-geri yayılım algoritması, hece paterni, güç tayfi, ayrık fourier dönüşümü.

SUMMARY ` Syllable Recognition with Artificial Neural Networks ` In this thesis, syllables in Turkish and Artificial Neural Networks have been examined and syllable patterns have been learned to network by using error-back propagation algorithm. Syllable patterns have been recognized by the network learned before. Speech signals transduced to the electrical signals by a microphone, are filtered with low pass filter (LPF) which band width is 4 kHz, so that high frequency components could be eliminated. Then the signals are converted to digital by using digital/analog converter (ADC). While converting, signals are sampled, kuanted and coded. Examining sensitivity of human ear, there are two important points. First of them is that ear is not sensitive to phase of speech, the other is the sensitivity of ear to power spectra of speech signal. In examining the power spectrum of speech, determination of speech frequencies becomes important. Discrete fourier transformation has been used for determination of these frequencies. Patterns that obtained after these steps are normalized in order to construct all patterns at the same standard. Thus, artificial neural network has been learned and trained by the patterns. Learning means to adjust initial weight values. In this application, layered feedforward neural network with two continuous perceptron layers has been used and error-back propagation algorithm has been programmed to perform learning and training. Key Words : Artificial Neural Networks, error back propagation algorithm, syllable pattern, power spectra, discrete fourier transformation. VI