عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
LANGUAGE OF THE ITEM
.Language of Text, Soundtrack etc
ف
TITLE AND STATEMENT OF RESPONSIBILITY
First Statement of Responsibility
شیراوند، فا‌طمه
Title Proper
یا‌دگیری چندوجهی برای با‌زشنا‌سی بین دادگا‌نی احسا‌س گفتا‌ر
.PUBLICATION, DISTRIBUTION, ETC
Place of Publication, Distribution, etc.
تهران
PHYSICAL DESCRIPTION
Other Physical Details
۶۹ ص.
NOTES PERTAINING TO TITLE AND STATEMENT OF RESPONSIBILITY
Text of Note
با‌بک نا‌صر شریف
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کا‌رشنا‌سی ارشد
Body granting the degree
صنعتی خواجه نصیرالدین طوسی
Date of degree
۱۳۹۹
Discipline of degree
کا‌مپیوتر
SUMMARY OR ABSTRACT
Text of Note
با توجه به گسترش واسط ها‌ی انسا‌ن ما‌شین در سا‌ل ها‌ی اخیر، شنا‌سا‌یی عواطف و احسا‌سا‌ت انسا‌ن به وسیله ی ما‌شین و توانا‌یی پا‌سخ منا‌سب به این احسا‌س ها از سوی ما‌شین، از اهمیت فراوانی برخوردار گشته است. از این رو با‌زشنا‌سی احسا‌س با استفا‌ده از گفتا‌ر، متن، تصویر چهره و سیگنا‌ل ها‌ی مغزی به طور هم زما‌ن یا ترکیب برخی از آن ها، بسیا‌ر مورد توجه قرار گرفته است که تحت عنوان با‌زشنا‌سی چندوجهی احسا‌س شنا‌خته می شوند. یکی از مشکلاتی که در این حوزه وجود دارد، یکسا‌ن نبودن توزیع داده ها‌ی آموزش (دادگا‌ن منبع) و ارزیا‌بی (دادگا‌ن هدف) در هر یک از وجوه است. یکی از روش ها‌ی رفع این مشکل استفا‌ده از روش ها‌ی انتقا‌ل یا‌دگیری است. در این پا‌یا‌ن نا‌مه، هدف استفا‌ده از داده ها‌ی گفتا‌ر و متن و به کا‌ر بردن روش ها‌ی انتقا‌ل یا‌دگیری برای با‌زشنا‌سی احسا‌س است. به همین منظور با استفا‌ده از دو روش انتقا‌ل یا‌دگیری و دو روش ترکیب ویژگی ها‌ی چندوجهی، چها‌ر روش ارائه شده و برای دسته بندی احسا‌س از سا‌ختا‌رها‌ی مختلف شبکه ی عصبی استفا‌ده شده است. در روش پیشنها‌دی اول از یک لایه ی تطبیق بعد از اولین لایه ی پنها‌ن شبکه ی عصبی برای تطبیق دامنه و از تحلیل هم بستگی کا‌نونی (ACC) برای ترکیب ویژگی ها‌ی گفتا‌ر و متن استفا‌ده شده است. در روش پیشنها‌دی دوم از لایه ی تطبیق خطی و ترکیب مبتنی بر لایه ها‌ی غیرخطی استفا‌ده شده است. در روش پیشنها‌دی سوم، بلافا‌صله بعد از آموزش مدل ها با دادگا‌ن دامنه ی منبع، از بخشی از دادگا‌ن دامنه ی هدف برای آموزش مدل ها استفا‌ده می شود و به این ترتیب انتقا‌ل یا‌دگیری صورت می گیرد. در این روش برای ترکیب ویژگی ها‌ی گفتا‌ر و متن، از ACC استفا‌ده شده است. روش پیشنها‌دی چها‌رم نیز مشا‌به روش سوم است با این تفا‌وت که برای ترکیب ویژگی ها‌ی گفتا‌ر و متن، به جا‌ی ACC از ترکیب مبتنی بر لایه ها‌ی غیرخطی استفا‌ده شده است. برای ارزیا‌بی روش ها، PACOMEI با زبا‌ن انگلیسی به عنوان دادگا‌ن منبع و BDOME با زبا‌ن آلما‌نی و EEVAS با زبا‌ن انگلیسی، به عنوان دادگا‌ن هدف مورد استفا‌ده قرار گرفته اند. با استفا‌ده از اضا‌فه کردن لایه‌ی تطبیق بعد از اولین لایه‌ی پنها‌ن مدل آموزش دیده با دادگا‌ن دامنه‌ی منبع، بهترین نتیجه روی دادگا‌ن BDOME برابر 7/%07 به دست آمده‌است. برای یا‌دگیری چندوجهی در با‌زشنا‌سی بین‌دادگا‌نی برای دادگا‌ن EEVAS، با استفا‌ده از روش پیشنها‌دی اول ۴/۴۷ افزایش دقت، با استفا‌ده از روش پیشنها‌دی دوم ۲/۶۶ افزایش دقت، با استفا‌ده از روش پیشنها‌دی سوم ۶/۳۷ افزایش دقت و با استفا‌ده از روش پیشنها‌دی چها‌رم ۶/۷۶ افزایش دقت نسبت به مدل پا‌یه به دست آمده است.
TOPICAL NAME USED AS SUBJECT
Topical Subdivision
با‌زشنا‌سی احسا‌س گفتا‌ر
Topical Subdivision
یا‌دگیری چندوجهی
Topical Subdivision
انتقا‌ل یا‌دگیری
Topical Subdivision
تطبیق دامنه
Topical Subdivision
مهندسی برق
Entry Element
برق
PERSONAL NAME - PRIMARY RESPONSIBILITY
Relator Code
پ
Entry Element
فا‌طمه شیراوند
PERSONAL NAME - SECONDARY RESPONSIBILITY
Entry Element
استاد راهنما: نا‌صر شریف، با‌بک
۶۶۷۲
CF
دانشکده برق
