سال انتشار: ۱۳۸۳

محل انتشار: ششمین کنفرانس سراسری سیستم های هوشمند

تعداد صفحات: ۷

نویسنده(ها):

ستار هاشمی – دانشجوی دکتری کامپیوتر گرایش هوش مصنوعی
ناصر مزینی – دانشگاه علم و صنعت ایران – دانشکده کامپیوتر
محسن رحمانی –

چکیده:

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 حوزههای پردازش زبان طبیعی، برچسب زدن گفتار با استفاده از شبکههای عصبی پرسپترون، ۳M و شبکه عصبی خود سازمانده SOM مورد بررسی قرار گرفته است. هر کدام از شبکههای عصبی فوق الذکر عمل برچسب زدن را با توجه به کل جمله و با استفاده از مدل خاصی انجام میدهد. بعنوان مثال استفاده از یک پایگاه قوانین در کنار شبکه عصبی پرسپترون باعث افزایش دقت نهایی میشود. در صورتی که خطای پوسته زیاد باشد، شبکه پرسپترون با توجه به پیچیدگی مسئله همگرا نمیشود، در این موارد از شبکه عصبیM استفاده میشود که هنگام یادگیری قابلیت تصحیح برخط پوسته را دارا است. شبکه عصبی SOM نیز با استفاده از خوشهبندی و تعریف معیار فاصله، کلمات را برچسب میزند.