مدل سازی سیستم تشخیص گفتار با استفاده از تکنیک یادگیری عمیق شبکه های عصبی اسپایکینگ

ساختار شبکه عصبی اسپایکینگ با الهام از نورون های اسپایکینگ پویا معرفی شده است. شبکه های عصبی اسپایکینگ پتانسیل فوق العاده ای برای درک الگوی درهم وابسته به زمان توسط نورون های اسپایکینگ پویا دارند و می توانند داده های رمزگذاری شده را مطابق با رویداد زمان پردازش کنند. با این حال، آموزش شبکه های عصبی اسپایکینگ عمیق ساده نیست. در این مقاله، یک چارچوب جدید یادگیری لایه ای شبکه عصبی اسپایکینگ برای تشخیص الگوی سریع و کارآمد پیشنهاد می شود که از الگوریتم های بهینه سازی برای یادگیری شبکه های عصبی اسپایکینگ عمیق استفاده می کند. در روش اشاره شده در مساله یادگیری عمیق، به کمک الگوریتم های مختلف بهینه سازی مبتنی بر گرادیان و بهینه سازی اسب وحشی، دو پارامتر اصلی نرون های اسپایک برای لایه های مختلف جستجو و محاسبه می شود. در این مقاله، از شبکه عصبی اسپایکینگ برای مدل سازی سیستم تشخیص گفتار رقمی استفاده و عملکرد آن ها در سناریوهای مختلف با سایر روش های یادگیری عمیق مقایسه و ارزیابی می شود. در مقایسه نتایج، روش پیشنهادی شبکه های عصبی اسپایکینگ با بهینه سازی اسب وحشی توانسته به دقت های ۹۵.۴۷% و ۹۲.۳% در بین همتایان خود دست پیدا کند؛ که افزایش دقت شناسایی و تخمین را نسبت به کارهای انجام شده نشان می دهند.