پاور سمینار آزمون صدا در تراکتور و ماشین های کشاورزی

اختصاصی از حامی فایل پاور سمینار آزمون صدا در تراکتور و ماشین های کشاورزی دانلود با لینک مستقیم و پر سرعت .

شامل مباحث ذیل:

نحوه آزمون

اثرات مخرب صوت

آستانه تحمل شنوایی

استانداردهای آزمون

تجهیزات مورد نیاز

و .....

.

.

.

.

سورس حدس صدا

اختصاصی از حامی فایل سورس حدس صدا دانلود با لینک مستقیم و پر سرعت .

سلام دوستان این بار هم سورس حدس صدا رو براتون آماده کرده ام

این سورس در محیط ایکلیپس طراحی شده اشت

حتما فایل آموزش شخصی سازی پروژه رو در فایل جداگانه ا ی که براتون گذاشته ام بخونید

تصاویر ی از این محصول:

تحقیق درباره تبدیل حرف به صدا در زبان فارسی به کمک شبکه های عصبی

اختصاصی از حامی فایل تحقیق درباره تبدیل حرف به صدا در زبان فارسی به کمک شبکه های عصبی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل :word (قابل ویرایش) تعداد صفحات : 34 صفحه

چکیده :

ساخت سیستم های اتوماتیک تبدیل حرف به صدا برای استفاده در سیستم های تبدیل متن به گفتار در زبان فارسی، به دلیل عدم استفاده از اعراب در نوشتار و در نتیجه مستوربودن بعضی از واژه ها مشکل می باشد و عموماً این سیستم ها برای زبان فارسی کارآیی پایینی دارند . در این مقاله ساختار یک سیستم تبدیل حرف به صدا با معماری سه لایه بررسی شده است. لایه اول این سیستم قانون گرا می باشد و لایه دوم از پنج شبکه عصبی پرسپترون چندلایه ای و یک بخش کنترلر برای تعیین دنباله واژه های متناظر با حروف تشکیل شده است. برای تعیین دنباله واژه های متناظر با حروف، از شبکه های عصبی استفاده می شود. بخش کنترلر نیز، خروجی شبکه ها را کنترل می کند تا دنباله واژه های نهایی متناظر با کلمات با ساختار هجابندی فارسی مطابقت داشته باشد.در لایه سوم نیز یک شبکه عصبی برای تعیین حروف مشدد، با استفاده از نتایج مراحل قبل وجود دارد. اجزاء مختلف این سیستم به گونه ای طراحی شده اند که در نهایت برای هر کلمه، یک دنباله واژه منطقی تولید گردد منظور از دنباله واژه منطقی، دنباله واژه می باشد که در آن اصول بدیهی واژه نگاری و ساختار هجابندی زبان فارسی رعایت شده باشد. میزان درستی به دست آمده برای حروف 88 % و برای کلمات %61 می باشد که برای تبدیل حرف به صدای زبان فارسی کارآی بسیارخوبی می باشد.

کلید واژه: تبدیل حرف به صدا، شبکه عصبی پرسپترون چندلایه، الگوریت مترازبندی حرف صدا، زبان فارسی.

1 - مقدمه:

یکی از بخش های اصلی سیستم های تبدیل متن به گفتار، تعیین طرز خواندن کلمات یا دنباله واژه آنها می باشد. این سیستم ها عموماً از یک واژگان یا دادگان لغت برای استخراج دنباله واژه کلمات استفاده می کنند. این روش نیاز به حافظه زیادی دارد ولی به دلیل قابلیت اطمینان بالای آن نسبت به روش های دیگرترجیح داده می شود. ولی جمع آوری تمامی لغات یک زبان همچون اسامی خاص، کلمات وارداتی از زبا ن های دیگر در یک واژگان از نظر عملی غیر ممکن می باشد. بنابراین این سیستم ها در کنار واژگان، از یک سیستم تبدیل حرف به صدا برای حدس زدن دنباله واژه کلمات ناموجود در واژگان استفاده می کنند .

[ 1] البته نا م های دیگری و یا نگاشت (GPC)[1] نیز برای این سیستم همچون مبدل نویسه به واژه متن به واژه[2] 2 انتخاب شده است.

[ 2]سیستم های تبدیل حرف به صدا بسته به زبان مورد نظر می توانند به طور ساده قانون گرا و یا از الگوریتم های هوشمند یادگیری ماشینی و یا روش های آماری بهره ببرند. این سیستم ها قابلیت اطمینان بالایی ندارند ولی امکان تحت پوشش قراردادن تمامی لغات ممکن برای یک زبان را دارند و همچنین حافظه کمی نیز مصرف می کنند. به طور کلی میزان دقت سیستم های تبدیل حرف به صدا وابسته به زبان می باشد. به طور مثال در زبان اسپانیایی، املای کلمات خود طرز خواندن آنها را مشخص می نماید. در بعضی از زبان های دیگر همچون انگلیسی ابهام بیشتری وجود دارد. برای این زبان ها، به صورت قانون گرا سیستم هایی با کارآیی مناسب می توان ساخت، ولی در بعضی از زبان های به /a, e, o/ دیگر همچون عربی و فارسی به دلیل نمایش واژه های صورت اعراب و عدم اعراب گذاری متون هنگام نگارش، طراحی این سیستم ها دشوار و عموماً کارآیی این سیستم ها پایین می باشد. طراحی سیستم های تبدیل حرف به صدا برای این زبا نها، نیازمند استفاده از مدل های هوشمند یادگیری ماشینی می باشد. در این حالت به طور ساده، مدل ها برای تعیین دنباله واژه یک کلمه، تک تک حروف آنها را به همراه یک سری ویژگی ها به عنوان ورودی پذیرفته و دنباله واژه هر حرف را به عنوان خروجی تولید می نمایند در انتها دنباله واژه کلمه، با ترکیب دنباله های واژه به دست آمده برای هر حرف آن به دست می آید. ویژگی های ورودی عموماً در بیشتر سیستم ها مشابه و حروف موجود در یک همسایگی از حرف اصلی در نظر گرفته می شود. هر چند ویژگی های دیگری همچون طول کلمه، موقعیت حرف در کلمه و مانند آن را نیزمی توان در نظر گرفت. نحوه کدکردن حروف و ارائه آنها به مدل به عنوان ورودی، از جمله پارامترهای مهم و تأثیرگذار در کارآیی این مدل ها می باشد. برای ارزیابی سیستم های حرف به صدا از دو معیار میزان درستی حروف و میزان درستی کلمات [3] استفاده می شود. میزان درستی حروف برابر با درصد حروفی از مجموعه تست هستند که معادل واژه آنها توسط سیستم حرف به صدا درست تعیین شده باشد. همچنین معیار میزان درستی کلمات نیز مشخص کننده درصد کلماتی هستند که دنباله واژه تمامی حروف آنها به درستی پیشگویی شده باشد

[1] . Grapheme to Phoneme Conversion

[2] . Text to Phoneme Mapping

[3] . Correct Letters and Correct Words Measure

استفاده از شبکه های ماهواره ای صدا و سیمای جمهوری اسلامی ایران

اختصاصی از حامی فایل استفاده از شبکه های ماهواره ای صدا و سیمای جمهوری اسلامی ایران دانلود با لینک مستقیم و پر سرعت .

کناب جامع و کامل همرا با مباحثی که شامل بخش بسیار تخصی ومفید که شامل:

مقدمه ،مشخصات دریافت شبکه های مختلف صدا وسیمای جمهوری اسلامی ایران، تنظیم آنتن.

دانلود مقاله ISI از حافظه دو طرفه انجمنی به یک، پروتئین قوی سر و صدا تحمل حافظه انجمنی پردازنده

اختصاصی از حامی فایل دانلود مقاله ISI از حافظه دو طرفه انجمنی به یک، پروتئین قوی سر و صدا تحمل حافظه انجمنی پردازنده دانلود با لینک مستقیم و پر سرعت .

موضوع فارسی :از حافظه دو طرفه انجمنی به یک، پروتئین قوی سر و صدا تحمل
حافظه انجمنی پردازنده

موضوع انگلیسی :From Bidirectional Associative Memory to a noise-tolerant, robust Protein
Processor Associative Memory

تعداد صفحه :21

فرمت فایل :PDF

سال انتشار :2011

زبان مقاله : انگلیسی

پروتئین پردازنده حافظه انجمنی (PPAM) یک ساختار جدید برای انجمن های یادگیری است
تدریجی و آنلاین و انجام سریع، قابل اعتماد، مقیاس پذیر گوناگون انجمنی
به یاد. در این مقاله یک مقایسه از PPAM با دو طرفه انجمنی
حافظه (BAM)، هر دو با الگوریتم آموزش اصلی Kosko و همچنین با محبوب تر
الگوریتم شبه آرامش آموزشی برای BAM (PRLAB). همچنین مقایسه PPAM
با معماری حافظه انجمنی اخیر به نام SOIAM. نمایش نتایج: از آموزش برای
شی اجتناب از شبیه سازی با استفاده بازیکن / مرحله ارائه و توسط تأیید
پیاده سازی واقعی بر روی ربات های موبایل E-جن. در نهایت، ما نشان می دهد چگونه PPAM است
قادر به دستیابی به افزایش عملکرد بدون استفاده از معمولی وزن مجموع
عملیات محاسباتی یا در واقع هر عملیات محاسباتی