| Title: | Rozpoznávání fónů pomocí neuronové sítě |
| Other Titles: | Phoneme recognition using a neural network |
| Authors: | Majer, Martin |
| Advisor: | Šmídl Luboš, Ing. Ph.D. |
| Referee: | Švec Jan, Ing. Ph.D. |
| Issue Date: | 2018 |
| Publisher: | Západočeská univerzita v Plzni |
| Document type: | diplomová práce |
| URI: | http://hdl.handle.net/11025/31769 |
| Keywords: | rozpoznání fonémů;dopředná neuronová síť;rekurentní neuronová síť;long short-term memory;gated recurrent unit;connectionist temporal classification |
| Keywords in different language: | phoneme recognition;feedforward neural network;recurrent neural network;long short-term memory;gated recurrent unit;connectionist temporal classification |
| Abstract: | Tato práce se zabývá klasifikací fonémů pomocí různých architektur neuronových sítí. V první části práce je představena obecná teorie dopředných a rekurentních neuronových sítí a následně metoda CTC (connectionist temporal classification). Ve druhé části je pak vyhodnocena přesnost rozpoznání šesti navržených architektur nad čtyřmi parametrizacemi pro dvě datové sady o různé velikosti. Ukázalo se, že rekurentní neuronová síť využívající dvě obousměrné LSTM vrstvy a metodu CTC dosahuje velmi vysoké přesnosti, ale pouze díky využití informace z celé nahrávky. Proto byla testována i její varianta s omezenou délkou vstupní sekvence, která pro tuto úlohu rovněž ukázala velký potenciál a mohla by být využita pro rozpoznávání v reálném čase. |
| Abstract in different language: | This thesis focuses on the phoneme recognition using various architectures of neural networks. The first part introduces theory of feedforward and recurrent neural networks followed by the introduction of the method CTC (connectionist temporal classification). The second part presents comparison of accuracy of recognition between six architectures on four parametrizations generated from two datasets of various size. It was shown that the recurrent neural network using two bidirectional LSTM layers combined with CTC achieved high accuracy although only due to using information from the whole recording. Therefore its alternative version which used a limited length of the input sequence was tested and also showed large potential and could be possibly used for recognition in real-time. |
| Rights: | Plný text práce je přístupný bez omezení. |
| Appears in Collections: | Diplomové práce / Theses (KKY) |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| dp_mmajer.pdf | Plný text práce | 945,43 kB | Adobe PDF | View/Open |
| majer-v.pdf | Posudek vedoucího práce | 541,81 kB | Adobe PDF | View/Open |
| majer-o.pdf | Posudek oponenta práce | 663,73 kB | Adobe PDF | View/Open |
| majer-p.pdf | Průběh obhajoby práce | 349,18 kB | Adobe PDF | View/Open |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/31769Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.