Doctorandus | Publieke verdediging |
Naam: | Azarakhsh Jalalvand | Datum: | Vrijdag 27/02/2015 om 17:30 | |
Adres: | vakgroep Elektronica en Informatiesystemen (EA06) Sint-Pietersnieuwstraat 41, B1,Technologiepark Zwijnaarde 122, 9000;9052 Gent;Zwijnaarde |
Lokatie: | auditorium P Jozef Plateau, gelijkvloers, Jozef Plateaustraat 22, 9000 Gent | |
Contact FEA: | info.ea@ugent.be | Taal: | Engels |
Curriculum | ||
Master of Science in Computer Engineering, Iran University of Science and Technology, Iran, 2009 |
Promotor |
Jean-Pierre Martens |
Kris Demuynck |
Examencommissie |
prof. Patrick De Baets |
Jean-Pierre Martens (EA06) |
Kris Demuynck (EA06) |
Wesley De Neve |
Hugo Van Hamme |
Peter Bienstman, Universiteit Gent, Faculteit Ingenieurswetenschappen en Architectuur, EA05 - Vakgroep Informatietechnologie, Technologiepark Zwijnaarde 126, 9052 Zwijnaarde
E: peter.bienstman@ugent.be |
Louis ten Bosch |
David Verstraeten |
Onderzoeksthema | |
Een flexibel en doordringend communicatiesysteem zoals spraak tussen individuen vormt de basis voor het complex sociaal gedrag en de intelligentie van die individuen. Derhalve zou spraak ook de basis kunnen vormen voor een natuurlijke interactie van de mens met machines. Dit vereist dan onder meer dat de machine spraak kan verstaan. In dit proefschrift wordt het potentieel van Reservoir Computing Networks (RCNs) onderzocht. In RCNs zijn de neuronen recurrent met elkaar verbonden. Dit heeft voor gevolg dat een RCN zich gedraagt als een niet-lineair dynamisch systeem dat de relevante dynamische eigenschappen van spraak kan modeleren. De recurrente verbindingen hebben weliswaar vaste (niet getrainde) gewichten, maar de gewichten van de lineaire uitgangsneuronen zijn het resultaat van een trainingsproces. Een groot voordeel van RCNs is dat ze veel eenvoudiger en robuuster te trainen zijn dan conventionele recurrente netwerken waarvan alle gewichten getraind worden. In dit werk worden RCNs toegepast voor de herkenning van spraak en handschrift in de aanwezigheid van achtergrondruis. Er worden fundamentele RCN-ontwerpmethodes ontwikkeld en er wordt een statistische raamwerk uitgewerkt voor de integraties van de RCNs in een spraakherkenner. De bereikte prestaties overtreffen de stand van de wetenschap en bieden nog veel marge voor verdere verbeteringen. |
Taal proefschrift | |
Engels |
Documenten |