aşağıdaki kaynaklarda anılan,
Laurene Fausett, Fundamentals of Neural Networks ,
kitabının bazı bölümlerinin çok kötü bir çevirisidir.
Anılan komple intihal tezi yönlendiren ve onaylayanlardan bazıları :
Servet Senyücel, Hüsnü Baysal, ve Mehmet Ali Salahlı'dır.
http://www.tojet.net/articles/3218.htm
The Turkish Online Journal of Educational Technology - TOJET April 2004 ISSN: 1303-6521 Volume 3, Issue 2, Article 18
DİJİTAL SİNYAL İŞLEMCİDE YAPAY SİNİR AĞLARINI TÜRKÇE YAZIMI ÖĞRENMEDE KULLANMA
Servet SENYÜCEL
ssenyucel@comu.edu.tr, Çanakkale Onsekiz Mart Üni., Bilgisayar Müh. Bölümü, Çanakkale
Özetçe
Mikrofondan girilen ses kümesinin ses kartı yardımıyla, öğretilmesi istenen Türkçe kelimeleri mikrofondan söyleyerek çıkan analog ses sinyallerini, DSP (Digital Signal Processing) TMS320C6711 DSK (Developer Starter Kit) ile dijital sinyallere çevrilerek, bu dijital sinyale FFT yöntemi kullanılarak ses kümelerini kodlayıp, elde edilen çıktılar DSP kitinin tampon bölgesine yerleştirilmiş ve Yapay Sinir Ağları (YSA) girişlerine gönderilmiştir. Yapay Sinir Ağı ile elde edilen çıktıları bu ses kümelernini eğitilmesi ve öğretilmesi sağlanmıştır. Daha sonra girilen test girdilerinin, önceden öğretilmiş olan ses kümeleri ile karşılaştırmaları yapılmış ve öğrenme tamamlanmıştır. Öğrenme tamamlandıktan sonra öğretilmiş seslere karşılık Türkçe kelimeler eşleştirilmiştir. Daha önceden öğretilmiş kelimeleri sesle mikrofona söylendiğinde, kelimenin Türkçe yazımı görülmektedir. Bu sayede Türkçe yazımını bilmeyen kişilere mikrofona söylediği yazılımını görme imkanının bulunması sağlanmıştır
Giriş
Digital signal Processing (Dijital Sinyal İşleme), çok hızlı ve güçlü bir tip işlemci, matematiksel tekniklerle dönüştürmeler yaparak veya bilgi çıkararak, gerçek dünya sinyallerini işleme metodudur.
Dijital Sinyal işlemciler, dijital veri iletimin bulunduğu bir çok alanda kullanılmaktadır. Bunları alanlar bazını örneklersek:
Ses, Otomotiv, Geniş Bant Çözümler, Dijital Kontrol, Askeri alanda, Optik Ağlar Güvenlik , Telefon- Ses İletimi, Görüntü ve Video,Wireless İletişim, Ses Tanıma, Filtreleme, Görüntü İşleme vb.
FFT Uygulaması:
FFT Fast Fourier Transform'un kısaltılmış halidir. Ses sinyalinin ham şekli insan aynı sözcüğü söylese de farklı görüntüler almaktadır. Dolayısıyla ses sinyalini ham hali (zaman ve genlik) ile algılamak zordur. Bu nedenle çeşitli şekillerde ses sinyali işlenir ve bu şekilde tanınmaya çalışılan bir sistemdir. Yani siz aynı sözcüğü ifade eden iki ses sinyaline ham hali ile baktığınızda sinyallerin benzerliğini zor görürsünüz. Ama sinyallerin FFT'sine baktığınız da benzerliği daha kolay görebilirsiniz. Ancak FFT'si alınan sinyallerde bazı ufak farklılıklar içerirler. [[1]] [4]
Şekil 2 a) Al komutunun giriş sinyali b) Al komutunun 1024luk
FFT=Gerçel2+Görsel2 grafiği
Şekil 3. a) Gel komutunun giriş sinyali b) Gel komutunun 1024luk
FFT=Gerçel2+Görsel2 grafiği
FFT Çıktılarının Yapay Sinir Ağına uygulanması
Girilmiş olan sinyal belli FFT uygulamasına girilmişti. FFT uygulaması bizlere isteğe bağlı olarak y1,…yn, çıktılarından n=256, 512, 1024, 2048 olabilir. Bu bölümler Yapay Sinir Ağı Yöntemi olan Heteroassociative Memory Neural Network[2] ağı kullanılmıştır.[3]
Şekil 2. Heteroassocitive neural net
FFT gelen değerler giriş sinyali öğrenme için belirli bir hedef binary numaralar belirtildi. Sinir ağına yollan değerlerle ilgili öğrenme ağırlık değerleri;
bulunarak, öğrenme işlemi tamamlandı.
si değerleri FFT çıktı olarak belirtildi. ti değerleri hedeflenen örnek değerleri olarak belirlenmiştir.
si=(y1, y2, …, yn) , n=256, 512, 1024
t1=(1000000000000000) , t2=(1100000000000000) , t3 , … [4]
Daha sonradan girilen sinyaller aynı sinir ağında ağırlıklar vasıtası ile aratılarak bulundu.
t1=(1000000000000000) değeri AL sesine karşılık gelmekte ve AL kelimesi ile eşlenmektedir.
t2=(1100000000000000) , değeri GEL sesine karşılık gelmekte ve GEL kelimesi ile eşlenmektedir.
Böylece t1 , t2 , t3, ….., tn değerlerine karşılık Türkçe kelimeler eşleştirilmiştir.
Sonuç:
Her bir komut sisteme öğretilmesi için üç defa farklı zamanlarda ve farklı ses düzeyinde giriş yapıldı. Filtreleme yapılmadan Ses girişlerine FFT yöntemi uygulanarak yapay sinir ağına girişlerine verildi ve öğrenilen değerler bellekteki tampon bölgesinde tutuldu. Sonradan yapılan test işlemlerinde girilen Türkçe komut seslerini %95 hatasız bulmuştur. %5 hatanın olmasın sebebi ses girişlerine filtreleme yapılmamasından meydana geldiği tespit edilmiştir. Öğrenme tamamlandıktan sonra öğretilmiş seslere karşılık Türkçe kelimeler eşleştirilmiştir. Daha önceden öğretilmiş kelimeleri sesle mikrofona söylendiğinde, kelimenin Türkçe yazımın görülmesi sağlanmıştır. Bu sayede Türkçe yazımını bilmeyen kişilere mikrofona söylediği Türkçe sesin kelime yazılımını görme imkanının bulunması sağlanmıştır
[1] Rulph Chassaing, DSP Applications Using C and the TMS320C6x DSK, ISBN:0471207543, s-103,182
[2] Laurene Fausett, Fundamentals of Neural Networks, ISBN: 0133341860, s-108
[3] George F Lluger & William A Stubblefield, Artificial Intelligence, ISBN:0805311963, s-663
4 DSP’DE YAPAY SİNİR AĞLARI YÖNTEMLERİ KULLANARAK SES BENZERLİKLERİNİN BELİRLENMESİ S.SENYÜCEL,H.Biçkin (Pamukkale II. Bilgi Teknolojileri Konferansı 01-04 Mayıs,2003)
Servet Senyücel , Servet Şenyücel , Servet Senyucel
