કિંમત પેટર્નની સ્વચાલિત ઓળખ માટેની સિસ્ટમ શું છે. વાણી ઓળખ પ્રણાલીનો ઉપયોગ

1964માં, ન્યૂયોર્ક કોમ્પ્યુટર ફેરમાં IBM શૂબોક્સ રજૂ કરવામાં આવ્યું હતું.

વ્યાપારી ભાષણ ઓળખ કાર્યક્રમો નેવુંના દાયકાની શરૂઆતમાં દેખાયા. તેઓ સામાન્ય રીતે એવા લોકો દ્વારા ઉપયોગમાં લેવાય છે જેઓ, હાથની ઇજાને કારણે, મોટા પ્રમાણમાં ટેક્સ્ટ ટાઇપ કરવામાં અસમર્થ હોય છે. આ પ્રોગ્રામ્સ (ઉદાહરણ તરીકે, Dragon NaturallySpeaking, VoiceNavigator) વપરાશકર્તાના અવાજને ટેક્સ્ટમાં અનુવાદિત કરે છે, આમ તેના હાથને રાહત મળે છે. આવા કાર્યક્રમોના અનુવાદની વિશ્વસનીયતા ખૂબ ઊંચી નથી, પરંતુ વર્ષોથી તેમાં ધીમે ધીમે સુધારો થયો છે.

કોમ્પ્યુટીંગ પાવરમાં વધારો મોબાઇલ ઉપકરણોભાષણ ઓળખ કાર્યો સાથે તેમના માટે પ્રોગ્રામ્સ બનાવવાનું શક્ય બનાવ્યું. આવા કાર્યક્રમોમાં તે નોંધનીય છે માઈક્રોસોફ્ટ એપ્લિકેશનવૉઇસ કમાન્ડ, જે તમને તમારા વૉઇસનો ઉપયોગ કરીને ઘણી ઍપ્લિકેશન ઑપરેટ કરવાની મંજૂરી આપે છે. ઉદાહરણ તરીકે, તમે તમારા પ્લેયરમાં સંગીત ચલાવી શકો છો અથવા નવો દસ્તાવેજ બનાવી શકો છો.

ઇન્ટેલિજન્ટ સ્પીચ સોલ્યુશન્સ જે આપમેળે માનવ વાણીને સંશ્લેષણ કરે છે અને ઓળખે છે તે ઇન્ટરેક્ટિવ વૉઇસ સિસ્ટમ્સ (IVR) ના વિકાસમાં આગળનું પગલું છે. ઇન્ટરેક્ટિવ ફોન એપ્લિકેશનનો ઉપયોગ કરવો એ હાલમાં ફેશન વલણ નથી, પરંતુ એક મહત્વપૂર્ણ આવશ્યકતા. કોન્ટેક્ટ સેન્ટર ઓપરેટરો અને સેક્રેટરીઓના વર્કલોડમાં ઘટાડો, શ્રમ ખર્ચમાં ઘટાડો અને સેવા પ્રણાલીની ઉત્પાદકતામાં વધારો એ એવા કેટલાક ફાયદા છે જે આવા ઉકેલોની શક્યતા સાબિત કરે છે.

પ્રોગ્રેસ, જોકે, સ્થિર નથી અને તાજેતરમાં ટેલિફોનમાં ઇન્ટરેક્ટિવ એપ્લિકેશન્સસ્વચાલિત વાણી ઓળખ અને સંશ્લેષણ પ્રણાલીઓ વધુને વધુ ઉપયોગમાં લેવાઈ છે. આ કિસ્સામાં, વૉઇસ પોર્ટલ સાથે વાતચીત વધુ કુદરતી બને છે, કારણ કે તેમાં પસંદગી ફક્ત ટોન ડાયલિંગનો ઉપયોગ કરીને જ નહીં, પણ વૉઇસ આદેશોનો ઉપયોગ કરીને પણ કરી શકાય છે. તે જ સમયે, ઓળખ પ્રણાલીઓ સ્પીકર્સથી સ્વતંત્ર છે, એટલે કે, તેઓ કોઈપણ વ્યક્તિના અવાજને ઓળખે છે.

સ્પીચ રેકગ્નિશન ટેક્નોલોજીમાં આગળનું પગલું કહેવાતા સાયલન્ટ સ્પીચ ઈન્ટરફેસ (SSI) ના વિકાસને ગણી શકાય. આ વાણી પ્રક્રિયા પ્રણાલીઓ ઉચ્ચારણના પ્રારંભિક તબક્કે ભાષણ સંકેતો પ્રાપ્ત કરવા અને પ્રક્રિયા કરવા પર આધારિત છે. વાણી ઓળખના વિકાસનો આ તબક્કો બે નોંધપાત્ર ખામીઓને કારણે છે આધુનિક સિસ્ટમોઓળખ: ઘોંઘાટ પ્રત્યે અતિશય સંવેદનશીલતા, તેમજ ઓળખ પ્રણાલીને ઍક્સેસ કરતી વખતે સ્પષ્ટ અને સ્પષ્ટ વાણીની જરૂરિયાત. SSI અભિગમ એ વિના નવા સેન્સરનો ઉપયોગ કરવાનો છે પ્રભાવિતપ્રોસેસ્ડ એકોસ્ટિક સિગ્નલોના પૂરક તરીકે અવાજ.

સિસ્ટમોના પ્રકાર

આજે બે પ્રકારની સ્પીચ રેકગ્નિશન સિસ્ટમ્સ છે - "ક્લાયન્ટ-આધારિત" અને "ક્લાયન્ટ-સર્વર" સિદ્ધાંત પર કામ કરતી. ક્લાયંટ-સર્વર ટેક્નોલોજીનો ઉપયોગ કરતી વખતે, વપરાશકર્તાના ઉપકરણ પર સ્પીચ કમાન્ડ દાખલ કરવામાં આવે છે અને ઇન્ટરનેટ દ્વારા રિમોટ સર્વર પર પ્રસારિત કરવામાં આવે છે, જ્યાં તેની પ્રક્રિયા કરવામાં આવે છે અને આદેશના રૂપમાં ઉપકરણ પર પરત કરવામાં આવે છે (Google Voice, Vlingo, વગેરે.) ; સર્વર વપરાશકર્તાઓની મોટી સંખ્યાને કારણે, માન્યતા સિસ્ટમ તાલીમ માટે મોટો આધાર મેળવે છે. પ્રથમ વિકલ્પ અન્ય પર કામ કરે છે ગાણિતિક ગાણિતીક નિયમોઅને દુર્લભ છે (સ્પીરીઓ સૉફ્ટવેર) - આ કિસ્સામાં, આદેશ વપરાશકર્તાના ઉપકરણ પર દાખલ કરવામાં આવે છે અને ત્યાં પ્રક્રિયા કરવામાં આવે છે. "ક્લાયન્ટ પર" પ્રક્રિયા કરવાનો ફાયદો એ ગતિશીલતા, સંદેશાવ્યવહારની ઉપલબ્ધતા અને રિમોટ સાધનોના સંચાલનથી સ્વતંત્રતા છે. આમ, "ક્લાયન્ટ પર" ચાલતી સિસ્ટમ વધુ વિશ્વસનીય લાગે છે, પરંતુ કેટલીકવાર વપરાશકર્તાની બાજુ પરના ઉપકરણની શક્તિ દ્વારા મર્યાદિત હોય છે.

ટેક્નોલોજીનો પણ હવે ઉપયોગ થઈ રહ્યો છે SIND(કોઈ ચોક્કસ વ્યક્તિના અવાજના સંદર્ભ વિના).

અરજી

વૉઇસ-આધારિત સિસ્ટમોનો મુખ્ય ફાયદો એ છે કે તે વપરાશકર્તા-મૈત્રીપૂર્ણ છે - વૉઇસ-સક્રિય મેનૂની જટિલ અને ગૂંચવણભરી ભુલભુલામણીમાંથી પસાર થવાની જરૂરિયાતને દૂર કરે છે. હવે કૉલનો હેતુ કહેવા માટે પૂરતું છે, જેના પછી વૉઇસ સિસ્ટમ આપમેળે કૉલરને ઇચ્છિત મેનૂ આઇટમ પર ખસેડશે.

• વૉઇસ ડાયલિંગ ઇન વિવિધ તકનીકો(મોબાઈલ ફોન, કોમ્પ્યુટર, વગેરે)
• સ્માર્ટફોન અને અન્ય મોબાઇલ કમ્પ્યુટર્સમાં ટેક્સ્ટ સંદેશાઓનું વૉઇસ ઇનપુટ

આ પણ જુઓ

• ડિજિટલ સિગ્નલ પ્રોસેસિંગ

નોંધો

લિંક્સ

શ્રેણીઓ:

• વાણી ઓળખ
• વાણી સંચાર
• કૃત્રિમ બુદ્ધિનો ઉપયોગ
• મસ્ક્યુલોસ્કેલેટલ ડિસઓર્ડર ધરાવતા લોકો માટે પુનર્વસન ઉત્પાદનો
• પુનર્વસનનો અર્થ દૃષ્ટિની ક્ષતિ ધરાવતા લોકો માટે થાય છે

વિકિમીડિયા ફાઉન્ડેશન. 2010.

અન્ય શબ્દકોશોમાં "સ્પીચ રેકગ્નિશન" શું છે તે જુઓ:

વાણીને ટેક્સ્ટમાં કન્વર્ટ કરવાની પ્રક્રિયા. વાણી ઓળખ પ્રણાલીઓ દ્વારા વર્ગીકૃત કરવામાં આવે છે: સમજી શકાય તેવા શબ્દોના શબ્દભંડોળનું પ્રમાણ; વાણીની સ્વીકાર્ય પ્રવાહ; કોઈ ચોક્કસ વ્યક્તિની વાણી પર ટિંકચર પર નિર્ભરતાની ડિગ્રી. અંગ્રેજીમાં: સ્પીચ રેકગ્નિશન આ પણ જુઓ:… … નાણાકીય શબ્દકોશ

વાણી ઓળખ- - ટેલિકોમ્યુનિકેશન વિષયો, મૂળભૂત ખ્યાલો EN વાણી ઓળખ...

વાણી ઓળખ- kalbos atpažinimas statusas T sritis automatika atitikmenys: engl. વાણીની સમજ; વાણી ઓળખ; અવાજ ઓળખ વોક. Spracherkennung, f rus. વાણી ઓળખ, n pranc. રિકોનિસન્સ ડી પેરોલ, એફ; રિકોનિસન્સ વોકેલ, f … Automatikos terminų žodynas

અવાજ આધારિત વાણી ઓળખ- વક્તાના અવાજની લાક્ષણિકતાઓને ધ્યાનમાં લેવા પર આધારિત માન્યતા પ્રક્રિયા. માન્યતા પ્રાપ્ત ભાષણ સંકેત સામાન્ય રીતે ટૂંકા ટુકડાઓમાં વિભાજિત થાય છે, જેમાંથી દરેકને મેમરીમાં સંગ્રહિત ભાષણ નમૂનાઓ સાથે સરખાવવામાં આવે છે. જેની સાથે....... ટેકનિકલ અનુવાદકની માર્ગદર્શિકા

અવાજની લાક્ષણિકતાઓથી સ્વતંત્ર વાણી ઓળખ- વાણીને અર્થપૂર્ણમાં રૂપાંતરિત કરવાની પદ્ધતિ ટેક્સ્ટ માહિતીચોક્કસ સબ્સ્ક્રાઇબરના વૉઇસ ટિમ્બરને સમાયોજિત કર્યા વિના. [હું છું. નેવદ્યાયેવ. ટેલિકોમ્યુનિકેશન ટેકનોલોજી. અંગ્રેજી રશિયન શબ્દકોશડિરેક્ટરી. Yu.M દ્વારા સંપાદિત. ગોર્નોસ્ટેવા. મોસ્કો,…… ટેકનિકલ અનુવાદકની માર્ગદર્શિકા

સ્વચાલિત વાણી ઓળખ- એક પ્રક્રિયા અથવા તકનીક કે જે ઇનપુટ તરીકે સામાન્ય સ્પીચ સિગ્નલ લે છે અને આઉટપુટ તરીકે જે કહેવામાં આવે છે તેનું કોડેડ સંસ્કરણ બનાવે છે (શબ્દ, આદેશ, અભિવ્યક્તિ, વાક્ય, વગેરે) (ITU T Y.2271, ITU T P.10. / જી.100).… … ટેકનિકલ અનુવાદકની માર્ગદર્શિકા

પેટર્ન ઓપ્ટિકલ કેરેક્ટર રેકગ્નિશન હેન્ડરાઈટિંગ રેકગ્નિશન સ્પીચ રેકગ્નિશન... વિકિપીડિયા

આપોઆપ ચહેરો ઓળખ ખાસ કાર્યક્રમ. પેટર્નની ઓળખનો સિદ્ધાંત એ સાયબરનેટિક્સની એક શાખા છે જે સૈદ્ધાંતિક પાયા અને પદાર્થો, ઘટના, પ્રક્રિયાઓ, સંકેતો, પરિસ્થિતિઓ વગેરે વસ્તુઓના વર્ગીકરણ અને ઓળખની પદ્ધતિઓ વિકસાવે છે,... ... વિકિપીડિયા

વિશિષ્ટ પ્રોગ્રામ સાથે સ્વચાલિત ચહેરો ઓળખ. પેટર્નની ઓળખનો સિદ્ધાંત એ સાયબરનેટિક્સની એક શાખા છે જે સૈદ્ધાંતિક પાયા અને પદાર્થો, ઘટના, પ્રક્રિયાઓ, સંકેતો, પરિસ્થિતિઓ વગેરે વસ્તુઓના વર્ગીકરણ અને ઓળખની પદ્ધતિઓ વિકસાવે છે,... ... વિકિપીડિયા

પુસ્તકો

• સ્ટોકેસ્ટિક્સ પર આધારિત અવાજમાં ભાષણના અર્થની ઓળખ અને સમજ, વી.વી. સ્ટોકેસ્ટીક સ્ટોકેસ્ટીક છે માહિતી ટેકનોલોજી, રશિયામાં વિકસિત. તે તમને અસરકારક બનાવવા માટે પરવાનગી આપે છે બુદ્ધિશાળી સિસ્ટમો, રીઅલ ટાઇમમાં કામ કરવું અને બાકાત...

જ્ઞાનકોશીય YouTube

1 / 5

સ્પીચ રેકગ્નિશનનો પરિચય

લેંગમાસ્ટર સ્પીચ રેકગ્નિશન

સબટાઈટલ

વાર્તા

પ્રથમ વાણી ઓળખ ઉપકરણ 1952 માં દેખાયું, તે વ્યક્તિ દ્વારા બોલાતી સંખ્યાઓને ઓળખી શકે છે. 1962માં, ન્યૂયોર્ક કોમ્પ્યુટર ફેરમાં IBM શૂબોક્સ રજૂ કરવામાં આવ્યું હતું.

વ્યાપારી ભાષણ ઓળખ કાર્યક્રમો નેવુંના દાયકાની શરૂઆતમાં દેખાયા. તેઓ સામાન્ય રીતે એવા લોકો દ્વારા ઉપયોગમાં લેવાય છે જેઓ, હાથની ઇજાને કારણે, મોટા પ્રમાણમાં ટેક્સ્ટ ટાઇપ કરવામાં અસમર્થ હોય છે. આ પ્રોગ્રામ્સ (ઉદાહરણ તરીકે, Dragon NaturallySpeaking (અંગ્રેજી)રશિયન,વોઇસ નેવિગેટર (અંગ્રેજી)રશિયન) વપરાશકર્તાના અવાજને ટેક્સ્ટમાં અનુવાદિત કરો, આમ તેના હાથને રાહત મળે છે. આવા કાર્યક્રમોના અનુવાદની વિશ્વસનીયતા ખૂબ ઊંચી નથી, પરંતુ વર્ષોથી તેમાં ધીમે ધીમે સુધારો થયો છે.

મોબાઇલ ઉપકરણોની કમ્પ્યુટિંગ શક્તિમાં વધારો થવાથી તેમના માટે વાણી ઓળખના કાર્યો સાથે પ્રોગ્રામ્સ બનાવવાનું શક્ય બન્યું છે. આવા પ્રોગ્રામ્સમાં, માઇક્રોસોફ્ટ વૉઇસ કમાન્ડ એપ્લિકેશનને ધ્યાનમાં લેવી યોગ્ય છે, જે તમને તમારા વૉઇસનો ઉપયોગ કરીને ઘણી એપ્લિકેશનો સાથે કામ કરવાની મંજૂરી આપે છે. ઉદાહરણ તરીકે, તમે તમારા પ્લેયરમાં સંગીત ચલાવી શકો છો અથવા નવો દસ્તાવેજ બનાવી શકો છો.

વાણી ઓળખનો ઉપયોગ વ્યવસાયના વિવિધ ક્ષેત્રોમાં વધુને વધુ લોકપ્રિય બની રહ્યો છે, ઉદાહરણ તરીકે, ક્લિનિકમાં ડૉક્ટર નિદાન કરી શકે છે, જે તરત જ ઇલેક્ટ્રોનિક કાર્ડમાં દાખલ કરવામાં આવશે. અથવા બીજું ઉદાહરણ. ચોક્કસ દરેક વ્યક્તિએ તેમના જીવનમાં ઓછામાં ઓછું એક વાર લાઇટ બંધ કરવા અથવા બારી ખોલવા માટે તેમના અવાજનો ઉપયોગ કરવાનું સપનું જોયું છે. તાજેતરમાં, ઇન્ટરેક્ટિવ ટેલિફોન એપ્લિકેશન્સમાં સ્વચાલિત વાણી ઓળખ અને સંશ્લેષણ સિસ્ટમનો વધુને વધુ ઉપયોગ કરવામાં આવ્યો છે. આ કિસ્સામાં, વૉઇસ પોર્ટલ સાથે વાતચીત વધુ કુદરતી બને છે, કારણ કે તેમાં પસંદગી ફક્ત ટોન ડાયલિંગનો ઉપયોગ કરીને જ નહીં, પણ વૉઇસ આદેશોનો ઉપયોગ કરીને પણ કરી શકાય છે. તે જ સમયે, ઓળખ પ્રણાલીઓ સ્પીકર્સથી સ્વતંત્ર છે, એટલે કે, તેઓ કોઈપણ વ્યક્તિના અવાજને ઓળખે છે.

સ્પીચ રેકગ્નિશન ટેક્નોલોજીમાં આગળનું પગલું કહેવાતા સાયલન્ટ સ્પીચ ઇન્ટરફેસ (SSI) ના વિકાસને ગણી શકાય. આ વાણી પ્રક્રિયા પ્રણાલીઓ ઉચ્ચારણના પ્રારંભિક તબક્કે ભાષણ સંકેતો પ્રાપ્ત કરવા અને પ્રક્રિયા કરવા પર આધારિત છે. વાણી ઓળખના વિકાસમાં આ તબક્કો આધુનિક ઓળખ પ્રણાલીની બે નોંધપાત્ર ખામીઓને કારણે થાય છે: અવાજ પ્રત્યે અતિશય સંવેદનશીલતા, તેમજ ઓળખ પ્રણાલીને ઍક્સેસ કરતી વખતે સ્પષ્ટ અને અલગ ભાષણની જરૂરિયાત. SSI અભિગમ એ નવા સેન્સર્સનો ઉપયોગ કરવાનો છે જે પ્રોસેસ્ડ એકોસ્ટિક સિગ્નલોના પૂરક તરીકે અવાજથી પ્રભાવિત થતા નથી.

વાણી ઓળખ પ્રણાલીનું વર્ગીકરણ

વાણી ઓળખ પ્રણાલીઓ વર્ગીકૃત કરવામાં આવી છે:

• શબ્દકોશના કદ દ્વારા (શબ્દોનો મર્યાદિત સમૂહ, શબ્દકોશ મોટા કદ);
• સ્પીકર પર આધાર રાખીને (સ્પીકર-આશ્રિત અને સ્પીકર-સ્વતંત્ર સિસ્ટમો);
• વાણીના પ્રકાર દ્વારા (સતત અથવા અલગ ભાષણ);
• હેતુ દ્વારા (શ્રુતલેખન સિસ્ટમો, આદેશ સિસ્ટમો);
• વપરાયેલ અલ્ગોરિધમ અનુસાર (ન્યુરલ નેટવર્ક્સ, છુપાયેલા માર્કોવ મોડલ્સ, ડાયનેમિક પ્રોગ્રામિંગ);
• માળખાકીય એકમના પ્રકાર દ્વારા (શબ્દો, શબ્દો, ફોનમ, ડીફોન્સ, એલોફોન્સ);
• ફાળવણીના સિદ્ધાંત અનુસાર માળખાકીય એકમો(પેટર્નની ઓળખ, લેક્સિકલ તત્વોની પસંદગી).

સ્વચાલિત વાણી ઓળખ પ્રણાલીઓ માટે, અવાજની પ્રતિરક્ષા મુખ્યત્વે બે પદ્ધતિઓનો ઉપયોગ કરીને સુનિશ્ચિત કરવામાં આવે છે:

• એકોસ્ટિક સિગ્નલના વિશ્લેષણના આધારે સ્પીચ સિગ્નલના સમાન તત્વોને ઓળખવા માટે ઘણી સમાંતર કાર્ય પદ્ધતિઓનો ઉપયોગ;
• વાણીના પ્રવાહમાં સેગમેન્ટલ (ફોનેમિક) અને શબ્દોની સર્વગ્રાહી દ્રષ્ટિનો સમાંતર સ્વતંત્ર ઉપયોગ.

વાણી ઓળખ પદ્ધતિઓ અને ગાણિતીક નિયમો

"... તે સ્પષ્ટ છે કે સ્પીચ પર્સેપ્શન મોડેલમાં સ્પીચ સિગ્નલ પ્રોસેસિંગ એલ્ગોરિધમ્સ વિભાવનાઓ અને સંબંધોની સમાન સિસ્ટમનો ઉપયોગ કરે છે જે વ્યક્તિ વાપરે છે."

આજે, વાણી ઓળખ પ્રણાલીઓ માન્યતાના સિદ્ધાંતો પર બનાવવામાં આવી છે [ કોના દ્વારા?] ઓળખ સ્વરૂપો [અજ્ઞાત શબ્દ ] અત્યાર સુધી ઉપયોગમાં લેવાતી પદ્ધતિઓ અને ગાણિતીક નિયમોને નીચેનામાં વિભાજિત કરી શકાય છે મોટા વર્ગો:

પ્રમાણભૂત સાથે સરખામણીના આધારે વાણી ઓળખ પદ્ધતિઓનું વર્ગીકરણ.

• ડાયનેમિક પ્રોગ્રામિંગ - કામચલાઉ ગતિશીલ ગાણિતીક નિયમો (ડાયનેમિક ટાઈમ વાર્પિંગ).

સંદર્ભ-સંવેદનશીલ વર્ગીકરણ. તેનો અમલ કરતી વખતે, વ્યક્તિગત શાબ્દિક તત્વોને ભાષણના પ્રવાહથી અલગ કરવામાં આવે છે - ફોનેમ્સ અને એલોફોન્સ, જે પછી સિલેબલ અને મોર્ફિમ્સમાં જોડાય છે.

• બાયસિયન ભેદભાવ પર આધારિત ભેદભાવપૂર્ણ વિશ્લેષણ પદ્ધતિઓ;
• હિડન માર્કોવ મોડલ;
• ન્યુરલ નેટવર્ક્સ.

માન્યતા સિસ્ટમોનું આર્કિટેક્ચર

લાક્ષણિક [ ] સ્થાપત્ય આંકડાકીય સિસ્ટમો સ્વચાલિત પ્રક્રિયાભાષણ

• અવાજ ઘટાડવાનું મોડ્યુલ અને ઉપયોગી સિગ્નલનું વિભાજન.
• એકોસ્ટિક મોડેલ - તમને ધ્વનિ સ્તર પર સમાનતાના સંદર્ભમાં ભાષણ સેગમેન્ટની માન્યતાનું મૂલ્યાંકન કરવાની મંજૂરી આપે છે. દરેક ધ્વનિ માટે, એક જટિલ આંકડાકીય મોડેલ શરૂઆતમાં બનાવવામાં આવે છે જે ભાષણમાં આ અવાજના ઉચ્ચારણનું વર્ણન કરે છે.
• ભાષા મોડેલ - તમને સૌથી વધુ સંભવિત મૌખિક સિક્વન્સ નક્કી કરવાની મંજૂરી આપે છે. ભાષા મોડેલ બનાવવાની જટિલતા મોટાભાગે તેના પર નિર્ભર છે ચોક્કસ ભાષા. હા, માટે અંગ્રેજી માં, તે આંકડાકીય મોડેલ્સ (કહેવાતા N-ગ્રામ) નો ઉપયોગ કરવા માટે પૂરતું છે. અત્યંત વિક્ષેપિત ભાષાઓ માટે (ભાષાઓ કે જેમાં એક જ શબ્દના ઘણા સ્વરૂપો છે), જેમાં રશિયનનો સમાવેશ થાય છે, ફક્ત આંકડાઓનો ઉપયોગ કરીને બનાવવામાં આવેલ ભાષા મોડેલો હવે આવી અસર આપતા નથી - આંકડાકીય સંબંધોનું વિશ્વસનીય મૂલ્યાંકન કરવા માટે ખૂબ વધારે ડેટાની જરૂર છે. શબ્દો વચ્ચે. તેથી, વર્ણસંકર ભાષા મોડેલોનો ઉપયોગ કરવામાં આવે છે જે રશિયન ભાષાના નિયમો, ભાષણ અને શબ્દ સ્વરૂપના ભાગ વિશેની માહિતી અને શાસ્ત્રીય આંકડાકીય મોડેલનો ઉપયોગ કરે છે.
• ડીકોડર એ ઓળખ પ્રણાલીનો એક સોફ્ટવેર ઘટક છે જે એકોસ્ટિક અને ભાષા મોડેલોમાંથી માન્યતા દરમિયાન મેળવેલા ડેટાને જોડે છે અને તેમના સંયોજનના આધારે, શબ્દોનો સંભવિત ક્રમ નક્કી કરે છે, જે સતત વાણી ઓળખનું અંતિમ પરિણામ છે.

1. સ્પીચ પ્રોસેસિંગ સ્પીચ સિગ્નલની ગુણવત્તાના મૂલ્યાંકન સાથે શરૂ થાય છે. આ તબક્કે, દખલગીરી અને વિકૃતિનું સ્તર નક્કી કરવામાં આવે છે.
2. મૂલ્યાંકન પરિણામ એકોસ્ટિક અનુકૂલન મોડ્યુલ પર જાય છે, જે ઓળખ માટે જરૂરી ભાષણ પરિમાણોની ગણતરી માટે મોડ્યુલને નિયંત્રિત કરે છે.
3. વાણી ધરાવતા વિસ્તારોને સિગ્નલમાં ઓળખવામાં આવે છે, અને ભાષણ પરિમાણોનું મૂલ્યાંકન કરવામાં આવે છે. ફોનેટિક અને પ્રોસોડિકનું વિભાજન છે સંભવિત લાક્ષણિકતાઓસિન્ટેક્ટિક, સિમેન્ટીક અને વ્યવહારિક વિશ્લેષણ માટે. (ભાષણના ભાગ, શબ્દ સ્વરૂપ અને શબ્દો વચ્ચેના આંકડાકીય સંબંધો વિશેની માહિતીનું મૂલ્યાંકન કરો.)
4. આગળ, ભાષણ પરિમાણોને ઓળખ સિસ્ટમના મુખ્ય બ્લોક - ડીકોડર પર મોકલવામાં આવે છે. આ તે ઘટક છે જે એકોસ્ટિક અને ભાષા મોડલમાં સંગ્રહિત માહિતી સાથે ઇનપુટ સ્પીચ સ્ટ્રીમ સાથે મેળ ખાય છે, અને શબ્દોનો સંભવિત ક્રમ નક્કી કરે છે, જે અંતિમ માન્યતા પરિણામ છે.

માન્યતા પ્રણાલીઓમાં ભાવનાત્મક રીતે ચાર્જ કરેલ ભાષણના ચિહ્નો

સ્પેક્ટ્રલ-ટેમ્પોરલ લક્ષણો

સ્પેક્ટ્રલ લક્ષણો:

• વિશ્લેષણ કરેલ ભાષણ સિગ્નલના સ્પેક્ટ્રમનું સરેરાશ મૂલ્ય;
• સામાન્યકૃત સ્પેક્ટ્રમ સરેરાશ;
• સ્પેક્ટ્રમ બેન્ડ્સમાં સિગ્નલનો સંબંધિત નિવાસ સમય;
• સ્પેક્ટ્રમ બેન્ડ્સમાં સિગ્નલનો સામાન્ય નિવાસ સમય;
• બેન્ડ્સમાં મધ્ય ભાષણ સ્પેક્ટ્રમ મૂલ્ય;
• બેન્ડ્સમાં સંબંધિત ભાષણ સ્પેક્ટ્રમ પાવર;
• સ્પીચ સ્પેક્ટ્રમ એન્વલપ્સની વિવિધતા;
• સ્પીચ સ્પેક્ટ્રમ એન્વલપ્સની વિવિધતાના સામાન્ય મૂલ્યો;
• સ્પેક્ટ્રલ બેન્ડ્સ વચ્ચેના સ્પેક્ટ્રલ એન્વલપ્સના ક્રોસ-સંબંધ ગુણાંક.

અસ્થાયી ચિહ્નો:

• સેગમેન્ટની અવધિ, ફોનેમ્સ;
• સેગમેન્ટની ઊંચાઈ;
• સેગમેન્ટ આકાર પરિબળ.

સ્પેક્ટ્રલ-ટેમ્પોરલ લક્ષણો ત્રણ પ્રકારના ઘટકોની હાજરીના આધારે તેના ભૌતિક અને ગાણિતિક સારમાં ભાષણ સંકેતને લાક્ષણિકતા આપે છે:

1. સામયિક (ટોનલ) વિભાગો ધ્વનિ તરંગ;
2. ધ્વનિ તરંગના બિન-સામયિક વિભાગો (અવાજ, વિસ્ફોટક);
3. વિસ્તારો કે જેમાં ભાષણ વિરામ સમાવતું નથી.

સ્પેક્ટ્રલ-ટેમ્પોરલ લક્ષણો સમય શ્રેણીના આકારની મૌલિકતા અને વિવિધ વ્યક્તિઓમાં સ્વર આવેગના સ્પેક્ટ્રમ અને તેમના સ્વર માર્ગના ફિલ્ટરિંગ કાર્યોની લાક્ષણિકતાઓને પ્રતિબિંબિત કરવાનું શક્ય બનાવે છે. પુનર્ગઠનની ગતિશીલતા સાથે સંકળાયેલ ભાષણ પ્રવાહની લાક્ષણિકતાઓને લાક્ષણિકતા આપો ઉચ્ચારણ અંગોવક્તાનું ભાષણ, અને વાણી પ્રવાહની અભિન્ન લાક્ષણિકતાઓ છે, જે સંબંધની મૌલિકતા અથવા વક્તાનાં ઉચ્ચારણ અંગોની હિલચાલની સુમેળને પ્રતિબિંબિત કરે છે.

સેપસ્ટ્રલ ચિહ્નો

• મેલ-ફ્રિકવન્સી સેપસ્ટ્રલ ગુણાંક;
• માનવ કાનની અસમાન સંવેદનશીલતા માટે સુધારેલ રેખીય અનુમાન ગુણાંક;
• રેકોર્ડિંગ આવર્તન શક્તિ પરિબળો;
• રેખીય અનુમાન સ્પેક્ટ્રમ ગુણાંક;
• રેખીય આગાહી સેપસ્ટ્રમ ગુણાંક.

મોટાભાગની આધુનિક સ્વચાલિત વાણી ઓળખ પ્રણાલીઓ ઉત્તેજના સંકેતની લાક્ષણિકતાઓને નકારીને, માનવ અવાજના માર્ગની આવર્તન હસ્તાક્ષર કાઢવા પર ધ્યાન કેન્દ્રિત કરે છે. આ એ હકીકત દ્વારા સમજાવવામાં આવ્યું છે કે પ્રથમ મોડેલના ગુણાંક વધુ સારી ધ્વનિ અલગતા પ્રદાન કરે છે. ઉત્તેજના સિગ્નલને વોકલ ટ્રેક્ટ સિગ્નલથી અલગ કરવા માટે, સેપસ્ટ્રલ વિશ્લેષણનો ઉપયોગ થાય છે.

કંપનવિસ્તાર-આવર્તન લક્ષણો

• તીવ્રતા, કંપનવિસ્તાર
• ઉર્જા
• પિચ ફ્રીક્વન્સી (FFR)
• ફોર્મન્ટ ફ્રીક્વન્સીઝ
• જીટર - મૂળભૂત સ્વર (અવાજ પરિમાણ) નું જીટર આવર્તન મોડ્યુલેશન;
• શિમર - મુખ્ય ટોન (અવાજ પરિમાણ) પર કંપનવિસ્તાર મોડ્યુલેશન;
• રેડિયલ બેઝિસ કર્નલ ફંક્શન
• નોનલાઇનર ઓપરેટર ટાઇગર

કંપનવિસ્તાર-આવર્તન વિશેષતાઓ અંદાજો મેળવવાનું શક્ય બનાવે છે, જેનાં મૂલ્યો ડિસ્ક્રીટ ફોરિયર ટ્રાન્સફોર્મ (વિન્ડોનો પ્રકાર અને પહોળાઈ) ના પરિમાણોના આધારે બદલાઈ શકે છે, તેમજ સમગ્ર નમૂનામાં વિન્ડોની થોડી પાળી સાથે. સ્પીચ સિગ્નલ ધ્વનિમાં વિતરિત થાય છે હવા પર્યાવરણબંધારણમાં જટિલ ધ્વનિ સ્પંદનો, જે તેમની આવર્તન (સેકન્ડ દીઠ ઓસિલેશનની સંખ્યા), તીવ્રતા (ઓસિલેશનનું કંપનવિસ્તાર) અને અવધિના સંદર્ભમાં દર્શાવવામાં આવે છે. કંપનવિસ્તાર-આવર્તન લક્ષણો ન્યૂનતમ ધારણા સમય સાથે ભાષણ સિગ્નલમાંથી વ્યક્તિ માટે જરૂરી અને પૂરતી માહિતી વહન કરે છે. પરંતુ આ સુવિધાઓનો ઉપયોગ તેમને ભાવનાત્મક રીતે ચાર્જ કરેલ ભાષણને ઓળખવા માટેના સાધન તરીકે સંપૂર્ણપણે ઉપયોગમાં લેવાની મંજૂરી આપતું નથી.

બિનરેખીય ગતિશીલતાના ચિહ્નો

બિનરેખીય ગતિશીલતાના ચિહ્નોના જૂથ માટે, વાણી સંકેત માનવ અવાજ માર્ગ પ્રણાલીમાં અવલોકન કરાયેલ સ્કેલર જથ્થા તરીકે ગણવામાં આવે છે. વાણી ઉત્પાદનની પ્રક્રિયાને બિનરેખીય ગણી શકાય અને બિનરેખીય ગતિશીલતાની પદ્ધતિઓ દ્વારા તેનું વિશ્લેષણ કરી શકાય. બિનરેખીય ગતિશીલતાનું કાર્ય મૂળભૂત ગાણિતિક મોડેલો અને વાસ્તવિક પ્રણાલીઓને શોધવાનું અને વિગતવાર અભ્યાસ કરવાનું છે જે સૌથી સામાન્ય મિલકત દરખાસ્તોમાંથી આવે છે. વ્યક્તિગત ઘટકો, સિસ્ટમના ઘટકો અને તેમની વચ્ચેની ક્રિયાપ્રતિક્રિયાના નિયમો. હાલમાં, બિનરેખીય ગતિશીલતા પદ્ધતિઓ મૂળભૂત ગાણિતિક સિદ્ધાંત પર આધારિત છે, જે ટેકન્સના પ્રમેય પર આધારિત છે (અંગ્રેજી)રશિયન, જે કડકમાં નિષ્ફળ જાય છે ગાણિતિક આધારનોનલાઇનર ઓટોરીગ્રેશનના વિચારો હેઠળ અને સમય શ્રેણીમાંથી અથવા તેના કોઓર્ડિનેટ્સમાંથી એક આકર્ષનારના તબક્કાના પોટ્રેટને પુનઃનિર્માણ કરવાની સંભાવનાને સાબિત કરે છે. (એક આકર્ષનારને બિંદુઓના સમૂહ અથવા અંદરની સબસ્પેસ તરીકે સમજવામાં આવે છે તબક્કાની જગ્યાજે નજીક આવી રહ્યું છે તબક્કો માર્ગક્ષણિકોના એટેન્યુએશન પછી.) અવલોકન કરેલ સમય શ્રેણીના બિન-રેખીય નિર્ણાયક તબક્કા-અવકાશી મોડલ્સના નિર્માણમાં પુનઃનિર્મિત ભાષણ માર્ગોમાંથી સિગ્નલ લાક્ષણિકતાઓના અંદાજોનો ઉપયોગ કરવામાં આવે છે. આકર્ષણોના આકારમાં ઓળખાયેલા તફાવતોનો ઉપયોગ ડાયગ્નોસ્ટિક નિયમો અને ચિહ્નો માટે થઈ શકે છે જે ભાવનાત્મક રીતે ચાર્જ કરેલ ભાષણ સંકેતમાં વિવિધ લાગણીઓને ઓળખવા અને યોગ્ય રીતે ઓળખવાનું શક્ય બનાવે છે.

વાણી ગુણવત્તા વિકલ્પો

ડિજિટલ ચેનલો પર વાણી ગુણવત્તા પરિમાણો:

• સિલેબલ ભાષણની સમજશક્તિ;
• વાણીની શબ્દસમૂહની સમજશક્તિ;
• સંદર્ભ પાથની ભાષણ ગુણવત્તાની તુલનામાં વાણીની ગુણવત્તા;
• વાસ્તવિક કાર્યકારી પરિસ્થિતિઓમાં વાણીની ગુણવત્તા.

મૂળભૂત ખ્યાલો

• વાણીની સમજશક્તિ એ યોગ્ય રીતે સ્વીકૃત વાણી તત્વો (ધ્વનિ, ઉચ્ચારણ, શબ્દો, શબ્દસમૂહો) ની સંબંધિત સંખ્યા છે, જેની ટકાવારી તરીકે વ્યક્ત કરવામાં આવે છે. કુલ સંખ્યાસ્થાનાંતરિત તત્વો.
• સ્પીચ ક્વોલિટી એ એક પરિમાણ છે જે ચકાસવામાં આવી રહેલી સ્પીચ ટ્રાન્સમિશન સિસ્ટમમાં વાણીના અવાજનું વ્યક્તિલક્ષી મૂલ્યાંકન દર્શાવે છે.
• સામાન્ય સ્પીચ રેટ એવી ઝડપે બોલે છે કે જેના પર નિયંત્રણ શબ્દસમૂહની સરેરાશ અવધિ 2.4 સેકન્ડ છે.
• એક્સિલરેટેડ સ્પીચ રેટ - એવી ઝડપે બોલવું કે જેના પર નિયંત્રણ શબ્દસમૂહની સરેરાશ અવધિ 1.5-1.6 સે છે.
• સ્પીકરના અવાજની ઓળખાણ એ શ્રોતાઓની અગાઉ સાંભળનારને ઓળખાતી ચોક્કસ વ્યક્તિ સાથે અવાજના અવાજને ઓળખવાની ક્ષમતા છે.
• અર્થપૂર્ણ સમજશક્તિ એ યોગ્ય પ્રજનનની ડિગ્રીનું સૂચક છે માહિતી સામગ્રીભાષણ
• અભિન્ન ગુણવત્તા એ એક સૂચક છે જે સાંભળનારની પ્રાપ્ત ભાષણની એકંદર છાપને દર્શાવે છે.

અરજી

વૉઇસ સિસ્ટમ્સનો મુખ્ય ફાયદો વપરાશકર્તા-મિત્રતા હોવાનું જાહેર કરવામાં આવ્યું હતું. સ્પીચ કમાન્ડનો હેતુ અંતિમ વપરાશકર્તાની સ્પર્શ અને અન્ય ઇનપુટ પદ્ધતિઓ અને આદેશોનો ઉપયોગ કરવાની જરૂરિયાતને દૂર કરવાનો હતો.

• વૉઇસ આદેશો
• વૉઇસ ટેક્સ્ટ ઇનપુટ

માં ભાષણ ઓળખ તકનીકનો ઉપયોગ કરવાના સફળ ઉદાહરણો મોબાઇલ એપ્લિકેશન્સછે: Yandex.Navigator માં વૉઇસ દ્વારા સરનામું દાખલ કરવું, વૉઇસ સર્ચ Google Now.

મોબાઇલ ઉપકરણો ઉપરાંત, વાણી ઓળખ તકનીકનો ઉપયોગ વ્યવસાયના વિવિધ ક્ષેત્રોમાં વ્યાપકપણે થાય છે:

• ટેલિફોની: ખાસ કરીને આ માટે સ્વ-સેવા વૉઇસ સિસ્ટમ્સ બનાવીને ઇનકમિંગ અને આઉટગોઇંગ કૉલ્સની પ્રક્રિયાનું ઑટોમેશન: પ્રાપ્ત કરવું સંદર્ભ માહિતીઅને કન્સલ્ટિંગ, સેવાઓ/ઉત્પાદનોનો ઓર્ડર આપવો, હાલની સેવાઓના પરિમાણોમાં ફેરફાર, સર્વેક્ષણો, પ્રશ્નાવલિઓ, માહિતી એકત્રિત કરવી, માહિતી આપવી અને અન્ય કોઈપણ દૃશ્યો;
• સ્માર્ટ હોમ સોલ્યુશન્સ: સ્માર્ટ હોમ સિસ્ટમ્સને નિયંત્રિત કરવા માટે વૉઇસ ઇન્ટરફેસ;
• ઘરગથ્થુ ઉપકરણો અને રોબોટ્સ: ઇલેક્ટ્રોનિક રોબોટ્સનું વૉઇસ ઇન્ટરફેસ; ઘરગથ્થુ ઉપકરણો વગેરેનું અવાજ નિયંત્રણ;
• ડેસ્કટોપ્સ અને લેપટોપ: વૉઇસ ઇનપુટ ઇન કમ્પ્યુટર રમતોઅને કાર્યક્રમો;
• કાર: કારના આંતરિક ભાગમાં અવાજ નિયંત્રણ - ઉદાહરણ તરીકે, નેવિગેશન સિસ્ટમ;
• વિકલાંગ લોકો માટે સામાજિક સેવાઓ.

આ પણ જુઓ

• ડિજિટલ સિગ્નલ પ્રોસેસિંગ

નોંધો

1. ડેવિસ, કે.એચ., બિડુલ્ફ, આર. અને બાલાશેક, એસ. (1952) બોલાયેલા અંકોની સ્વચાલિત વાણી ઓળખ, જે. એકોસ્ટ. સોસી. એમ. 24 (6) પૃષ્ઠ. 637-642
2. ખાતું સ્થગિત
3. આધુનિક-સમસ્યાઓ-ભાષણ-ઓળખના-ક્ષેત્રમાં.  - Auditech.Ltd. 3 માર્ચ, 2013ના રોજ સુધારો. 15 માર્ચ, 2013ના રોજ આર્કાઇવ કરેલ.
4. http://phonoscopic.rf/articles_and_publications/Lobanova_Search_of_identical_fragments.pdf
5. http://booksshare.net/books/med/chistovich-la/1976/files/fizrech1976.djvu
6. http://revistaie.ase.ro/content/46/s%20-%20furtuna.pdf
7. http://www.ccas.ru/frc/papers/mestetskii04course.pdf
8. વાણી-ઓળખ|  સેન્ટર ફોર સ્પીચ ટેક્નોલોજીસ |  MDGs. 20 એપ્રિલ, 2013ના રોજ સુધારો. 28 એપ્રિલ, 2013ના રોજ આર્કાઇવ કરેલ.
9. http://pawlin.ru/materials/neiro/sistemy_raspoznavaniya.pdf
10. http://intsys.msu.ru/magazine/archive/v3(1-2)/mazurenko.pdf
11. http://eprints.tstu.tver.ru/69/1/3.pdf
12. http://www.terrahumana.ru/arhiv/10_04/10_04_25.pdf
13. ઉચ્ચ પ્રમાણીકરણ કમિશન 05.11.17, 05.13.01 - ઉપકરણ…
14. GOST R 51061-97.  સ્પીચ ક્વોલિટી પેરામીટર્સ.  ડીજીટલ ચેનલો પર લો-સ્પીડ સ્પીચ ટ્રાન્સમિશન સિસ્ટમ્સ. . 30 એપ્રિલ, 2013 ના રોજ મૂળમાંથી આર્કાઇવ કરેલ.

લિંક્સ

• સ્પીચ રેકગ્નિશન ટેક્નોલોજી, www.xakep.ru
• આઈ.એ. શાલિમોવ, એમ.એ. બેસોનોવ.રાજ્યનું વિશ્લેષણ અને ઑડિઓ સંદેશની ભાષા નક્કી કરવા માટેની તકનીકોના વિકાસ માટેની સંભાવનાઓ.
• કેવી રીતે યાન્ડેક્ષ થી વાણી ઓળખાણ ટેક્નોલોજી યાન્ડેક્સ સ્પીચકિટ થી કામ કરે છે |  હબ્રહબ્ર
• યાન્ડેક્ષથી સ્પીચ-ઓળખાણ-ટેકનોલોજી-યાન્ડેક્ષ-સ્પીચકિટ

સ્પીચ રેકગ્નિશન એ સ્પીચ સિગ્નલને ડિજિટલ માહિતીમાં રૂપાંતરિત કરવાની પ્રક્રિયા છે (ઉદાહરણ તરીકે, ટેક્સ્ટ ડેટા). વ્યસ્ત સમસ્યાવાણી સંશ્લેષણ છે. પ્રથમ વાણી ઓળખ ઉપકરણ 1952 માં દેખાયું; 1962માં, ન્યૂયોર્ક કોમ્પ્યુટર ફેરમાં IBM શૂબોક્સ રજૂ કરવામાં આવ્યું હતું. વાણી ઓળખનો ઉપયોગ વ્યવસાયના વિવિધ ક્ષેત્રોમાં વધુને વધુ લોકપ્રિય બની રહ્યો છે, ઉદાહરણ તરીકે, ક્લિનિકમાં ડૉક્ટર નિદાનનું ઉચ્ચારણ કરી શકે છે, જે તરત જ ઇલેક્ટ્રોનિક કાર્ડમાં દાખલ કરવામાં આવશે. અથવા બીજું ઉદાહરણ. ચોક્કસ દરેક વ્યક્તિએ તેમના જીવનમાં ઓછામાં ઓછું એક વાર લાઇટ બંધ કરવા અથવા બારી ખોલવા માટે તેમના અવાજનો ઉપયોગ કરવાનું સપનું જોયું છે. તાજેતરમાં, ઇન્ટરેક્ટિવ ટેલિફોન એપ્લિકેશન્સમાં સ્વચાલિત વાણી ઓળખ અને સંશ્લેષણ સિસ્ટમનો વધુને વધુ ઉપયોગ કરવામાં આવ્યો છે. આ કિસ્સામાં, વૉઇસ પોર્ટલ સાથે વાતચીત વધુ કુદરતી બને છે, કારણ કે તેમાં પસંદગી ફક્ત ટોન ડાયલિંગનો ઉપયોગ કરીને જ નહીં, પણ વૉઇસ આદેશોનો ઉપયોગ કરીને પણ કરી શકાય છે. તે જ સમયે, ઓળખ પ્રણાલીઓ સ્પીકર્સથી સ્વતંત્ર છે, એટલે કે, તેઓ કોઈપણ વ્યક્તિના અવાજને ઓળખે છે.

વાણી ઓળખ પ્રણાલીનું વર્ગીકરણ.

વાણી ઓળખ પ્રણાલીઓને વર્ગીકૃત કરવામાં આવે છે:

• શબ્દકોશના કદ દ્વારા (શબ્દોનો મર્યાદિત સમૂહ, મોટો શબ્દકોશ);
• · સ્પીકર પર આધાર રાખીને (સ્પીકર-આશ્રિત અને સ્પીકર-સ્વતંત્ર સિસ્ટમો);
• · ભાષણના પ્રકાર દ્વારા (સતત અથવા અલગ ભાષણ);
• હેતુ દ્વારા (શ્રુતલેખન પ્રણાલીઓ, આદેશ પ્રણાલીઓ);
• · વપરાયેલ અલ્ગોરિધમ અનુસાર (ન્યુરલ નેટવર્ક્સ, છુપાયેલા માર્કોવ મોડલ્સ, ડાયનેમિક પ્રોગ્રામિંગ);
• · માળખાકીય એકમના પ્રકાર દ્વારા (શબ્દો, શબ્દો, ફોનેમ્સ, ડીફોન્સ, એલોફોન્સ);
• · માળખાકીય એકમોને ઓળખવાના સિદ્ધાંત પર આધારિત (પેટર્ન દ્વારા માન્યતા, લેક્સિકલ તત્વોની પસંદગી).

સ્વચાલિત વાણી ઓળખ પ્રણાલીઓ માટે, અવાજની પ્રતિરક્ષા મુખ્યત્વે બે પદ્ધતિઓનો ઉપયોગ કરીને સુનિશ્ચિત કરવામાં આવે છે:

• · એકોસ્ટિક સિગ્નલના પૃથ્થકરણના આધારે સ્પીચ સિગ્નલના સમાન તત્વોને ઓળખવા માટે ઘણી સમાંતર કાર્ય પદ્ધતિઓનો ઉપયોગ;
• · વાણીના પ્રવાહમાં સેગમેન્ટલ (ફોનેમિક) અને શબ્દોની સર્વગ્રાહી દ્રષ્ટિનો સમાંતર સ્વતંત્ર ઉપયોગ.

માન્યતા સિસ્ટમોનું આર્કિટેક્ચર

સ્વચાલિત ભાષણ પ્રક્રિયા માટે આંકડાકીય પ્રણાલીનું લાક્ષણિક આર્કિટેક્ચર.

• · અવાજ ઘટાડવાનું મોડ્યુલ અને ઉપયોગી સિગ્નલનું વિભાજન.
• · એકોસ્ટિક મોડલ - તમને ધ્વનિ સ્તર પર સમાનતાના સંદર્ભમાં ભાષણ સેગમેન્ટની માન્યતાનું મૂલ્યાંકન કરવાની મંજૂરી આપે છે. દરેક ધ્વનિ માટે, એક જટિલ આંકડાકીય મોડેલ શરૂઆતમાં બનાવવામાં આવે છે જે ભાષણમાં આ અવાજના ઉચ્ચારણનું વર્ણન કરે છે.
• · ભાષા મોડેલ - તમને સૌથી વધુ સંભવિત મૌખિક ક્રમ નક્કી કરવા દે છે. ભાષા મોડેલ બનાવવાની જટિલતા મોટાભાગે ચોક્કસ ભાષા પર આધારિત છે. તેથી, અંગ્રેજી ભાષા માટે, આંકડાકીય મોડેલ્સ (કહેવાતા એન-ગ્રામ) નો ઉપયોગ કરવા માટે તે પૂરતું છે. અત્યંત વિક્ષેપિત ભાષાઓ માટે (ભાષાઓ જેમાં એક જ શબ્દના ઘણા સ્વરૂપો છે), જેમાં રશિયનનો સમાવેશ થાય છે, ફક્ત આંકડાઓનો ઉપયોગ કરીને બનાવવામાં આવેલ ભાષા મોડેલો હવે આવી અસર આપતા નથી - વચ્ચેના આંકડાકીય સંબંધોનું વિશ્વસનીય મૂલ્યાંકન કરવા માટે ખૂબ વધારે ડેટાની જરૂર છે. શબ્દો તેથી, વર્ણસંકર ભાષા મોડેલોનો ઉપયોગ કરવામાં આવે છે જે રશિયન ભાષાના નિયમો, ભાષણ અને શબ્દ સ્વરૂપના ભાગ વિશેની માહિતી અને શાસ્ત્રીય આંકડાકીય મોડેલનો ઉપયોગ કરે છે.
• · ડીકોડર એ ઓળખ પ્રણાલીનો એક સોફ્ટવેર ઘટક છે જે એકોસ્ટિક અને ભાષા મોડેલોમાંથી માન્યતા દરમિયાન મેળવેલા ડેટાને જોડે છે, અને તેમના સંયોજનના આધારે, શબ્દોનો સૌથી સંભવિત ક્રમ નક્કી કરે છે, જે સતત વાણી ઓળખનું અંતિમ પરિણામ છે.

ઓળખના તબક્કા:

• 1. સ્પીચ પ્રોસેસિંગ સ્પીચ સિગ્નલની ગુણવત્તાના મૂલ્યાંકન સાથે શરૂ થાય છે. આ તબક્કે, દખલગીરી અને વિકૃતિનું સ્તર નક્કી કરવામાં આવે છે.
• 2. મૂલ્યાંકન પરિણામ એકોસ્ટિક અનુકૂલન મોડ્યુલ પર જાય છે, જે ઓળખ માટે જરૂરી ભાષણ પરિમાણોની ગણતરી માટે મોડ્યુલને નિયંત્રિત કરે છે.
• 3. સિગ્નલમાં ભાષણ ધરાવતા વિસ્તારોને ઓળખવામાં આવે છે, અને ભાષણ પરિમાણોનું મૂલ્યાંકન કરવામાં આવે છે. ધ્વન્યાત્મક અને પ્રોસોડિક સંભવિત લાક્ષણિકતાઓને સિન્ટેક્ટિક, સિમેન્ટીક અને વ્યવહારિક વિશ્લેષણ માટે ઓળખવામાં આવે છે. (ભાષણના ભાગ, શબ્દ સ્વરૂપ અને શબ્દો વચ્ચેના આંકડાકીય સંબંધો વિશેની માહિતીનું મૂલ્યાંકન કરો.)
• 4. આગળ, ભાષણ પરિમાણો માન્યતા સિસ્ટમના મુખ્ય બ્લોકમાં દાખલ થાય છે - ડીકોડર. આ તે ઘટક છે જે એકોસ્ટિક અને ભાષા મોડલમાં સંગ્રહિત માહિતી સાથે ઇનપુટ સ્પીચ સ્ટ્રીમ સાથે મેળ ખાય છે, અને શબ્દોનો સંભવિત ક્રમ નક્કી કરે છે, જે અંતિમ માન્યતા પરિણામ છે.

• · અવાજ નિયંત્રણ
• વૉઇસ આદેશો
• વૉઇસ ટેક્સ્ટ ઇનપુટ
• · વૉઇસ શોધ

મોબાઇલ એપ્લિકેશન્સમાં વાણી ઓળખ તકનીકનો ઉપયોગ કરવાના સફળ ઉદાહરણો છે: યાન્ડેક્સ નેવિગેટરમાં અવાજ દ્વારા સરનામું દાખલ કરવું, Google Now વૉઇસ શોધ.

મોબાઇલ ઉપકરણો ઉપરાંત, વાણી ઓળખ તકનીકનો ઉપયોગ વ્યવસાયના વિવિધ ક્ષેત્રોમાં વ્યાપકપણે થાય છે:

• · ટેલિફોની: સેલ્ફ-સર્વિસ વૉઇસ સિસ્ટમ્સ બનાવીને ઇનકમિંગ અને આઉટગોઇંગ કૉલ્સની પ્રક્રિયાનું ઑટોમેશન, ખાસ કરીને: સંદર્ભ માહિતી મેળવવા અને કન્સલ્ટિંગ, સેવાઓ/ઉત્પાદનોનો ઓર્ડર આપવો, હાલની સેવાઓના પરિમાણો બદલવા, સર્વેક્ષણો, પ્રશ્નાવલિ, માહિતી એકત્રિત કરવી, માહિતી આપવી અને કોઈપણ અન્ય દૃશ્યો;
• · સ્માર્ટ હોમ સોલ્યુશન્સ: સ્માર્ટ હોમ સિસ્ટમને નિયંત્રિત કરવા માટે વૉઇસ ઇન્ટરફેસ;
• · ઘરગથ્થુ ઉપકરણો અને રોબોટ્સ: ઇલેક્ટ્રોનિક રોબોટ્સનું વૉઇસ ઇન્ટરફેસ; ઘરગથ્થુ ઉપકરણો વગેરેનું અવાજ નિયંત્રણ;
• ડેસ્કટોપ અને લેપટોપ: કોમ્પ્યુટર ગેમ્સ અને એપ્લિકેશન્સમાં વોઈસ ઇનપુટ;
• · કાર: કારના આંતરિક ભાગમાં અવાજ નિયંત્રણ - ઉદાહરણ તરીકે, નેવિગેશન સિસ્ટમ;
• · અપંગ લોકો માટે સામાજિક સેવાઓ.

સોફ્ટવેર ઓટોમેશન ઇનપુટ ઓળખ

નાણાકીય બજારોમાં પેટર્ન બનાવવાની વૃત્તિ હોય છે જે ઘણીવાર ભવિષ્યની દિશાઓ દર્શાવે છે. ભાવની પેટર્ન ક્રમિક શિખરો અને ચાટના સંયોજનોમાંથી રચાય છે, અને દરેક પેટર્નની પોતાની રચના પદ્ધતિ અને ચોક્કસ ગ્રાફિકલ સ્વરૂપ હોય છે. વ્યવહારોના જથ્થાની ગતિશીલતા ચોક્કસ મોડેલના અસ્તિત્વ માટે પુષ્ટિ કરનાર પરિબળ તરીકે કાર્ય કરે છે. બજારના સહભાગીઓના મનોવિજ્ઞાનના દૃષ્ટિકોણથી તમામ મોડેલો સમજાવવામાં આવ્યા છે.
ગ્રાફિકલ પદ્ધતિ કિંમત પેટર્નને ઓળખવા માટેની મુખ્ય પદ્ધતિઓમાંની એક છે. નોંધ કરો કે આ અથવા તે આકૃતિ નક્કી કરવા માટેના માપદંડો અસ્પષ્ટ છે, બધા સંકેતો વ્યક્તિલક્ષી રીતે જોવામાં આવે છે, શાસ્ત્રીય પદ્ધતિઓ અસ્તવ્યસ્ત છે, અને તેમની પાછળ કોઈ કડક સિસ્ટમ નથી. ખામીઓ હોવા છતાં, ગ્રાફિકલ પદ્ધતિઓમાટે ઉપયોગી વ્યવહારુ એપ્લિકેશનઅને ગંભીર તકનીકી વિશ્લેષણ માટેના આધાર તરીકે સેવા આપે છે.
ગ્રાફિક પેટર્નને ઓળખવું અને તેનું વિશ્લેષણ કરવું એ શ્રમ-સઘન કાર્ય છે જે વેપારી પાસેથી ઘણો સમય લે છે. શ્રેષ્ઠ સોફ્ટવેર સાથે સૌથી અનુભવી રોકાણ વિશ્લેષક પણ દરરોજ 50 થી 75 સિક્યોરિટીઝને ટ્રેક કરી શકે છે. વૈશ્વિક શેરબજારોના સ્કેલને ધ્યાનમાં લેતાં આ બહુ નાનું છે.
ભાવની પેટર્ન વિશે સંપૂર્ણ માહિતી વિના, ટેકનિકલ વિશ્લેષક અસંખ્ય વેપારની તકો ગુમાવવાનું ચાલુ રાખશે. રોકાણકારોને મોટી સંખ્યામાં સ્થાપિત ગ્રાફિકલ પેટર્ન વિશેની માહિતી ઝડપી, સરળ અને સમયસર ઍક્સેસની જરૂર છે નાણાકીય સાધનોવેપાર કાર્યક્ષમતા સુધારવા માટે. તાજેતરમાં બધું વધુ વિતરણમેળવો
ઓટોમેટિક ચાર્ટ રેકગ્નિશન પ્રોગ્રામ્સ - CPR (ચાર્ટ પેટર્ન રેકગ્નિશન).
ઓળખ સિસ્ટમ. કેનેડિયન કંપની Recognia Inc દ્વારા વેપારીને એક શક્તિશાળી ચાર્ટ પેટર્ન ઓળખ સિસ્ટમ પ્રદાન કરવામાં આવે છે. વિકસિત ટેક્નોલોજી અનેક સિક્યોરિટી બજારોના વિશ્લેષણ માટે પરવાનગી આપે છે. નિષ્ણાતને ફક્ત શોધ પરિમાણો સેટ કરવાની જરૂર છે (નાણાકીય સાધન દ્વારા, ચોક્કસ કિંમતના મોડેલ દ્વારા, વગેરે.) પ્રોગ્રામ ચાર્ટને "સ્કેન" કરે છે અને તે સાધનોને ઓળખે છે જેની સાથે નાણાકીય વ્યવહારો હાથ ધરવા. આ ક્ષણસૌથી તર્કસંગત વસ્તુ. કેનેડિયન કંપની રેકોગ્નીયા ઇન્ક. ઓનલાઈન બ્રોકર્સ, ફંડ મેનેજર્સ અને નાણાકીય માહિતી પ્રદાતાઓને એવી સેવા પ્રદાન કરે છે જે માલિકીની ટેકનોલોજીનો ઉપયોગ કરીને ઈવેન્ટ્સ અને પેટર્નને આપમેળે ઓળખે છે.
રેકગ્નીયા સર્વિસની મદદથી, રોકાણકારને આની તક મળે છે:
તાજેતરની તકનીકી ઘટનાઓ જોઈને ચોક્કસ નાણાકીય સાધન માટેની સંભાવનાઓનું મૂલ્યાંકન કરો;
સિક્યોરિટીઝની સમીક્ષા કરીને પોઝિશન્સ ખોલવા માટે નવી તકો શોધો કે જેના માટે રેકોગ્નિયાએ ચોક્કસ કિંમત પેટર્ન શોધી કાઢી છે;
તેની લાક્ષણિકતાઓનો અભ્યાસ કરીને અને ગ્રાફ જોઈને ઓળખાયેલ ઘટના તેના માટે મહત્વપૂર્ણ છે કે કેમ તે નક્કી કરો;
ચોક્કસ સિક્યોરિટીઝ અથવા ટ્રેડિંગ પ્લેટફોર્મ્સ માટે ચેતવણીઓ સેટ કરો (જો ચાર્ટ પર પસંદ કરેલી સિક્યોરિટીઝ મળી આવે તો ચેતવણી સિગ્નલના નિર્માણ માટે પ્રદાન કરો);
પ્રસ્તુત શૈક્ષણિક સામગ્રીમાંથી તકનીકી વિશ્લેષણ વિશે વધુ જાણો.
ઓળખ સેવાના કાર્યમાં ચાર તબક્કાઓ છે (ફિગ. 6.1).
1) શેરો, બોન્ડ્સ, કોમોડિટીઝ, ચલણો અને સૂચકાંકો સહિતના સાર્વજનિક રૂપે ટ્રેડેડ નાણાકીય સાધનો પરનો ડેટા, ટ્રેડિંગ બંધ થયા પછી આપમેળે રેકગ્નિયાને મોકલવામાં આવે છે. Recognia હાલમાં ઉત્તર અમેરિકાના એક્સચેન્જો પર દરરોજ વેપાર થતી 20,000 થી વધુ સિક્યોરિટીઝનું વિશ્લેષણ કરે છે અને અન્ય વૈશ્વિક બજારોમાંથી સેંકડો નાણાકીય સાધનોનો સમાવેશ કરવાની યોજના ધરાવે છે;
2) પેટન્ટેડ પેટર્ન રેકગ્નિશન એલ્ગોરિધમ્સ અને ન્યુરલ નેટવર્ક ટેક્નોલોજીનો ઉપયોગ કરીને, રેકોગ્નીયા નિયમિતપણે આ નાણાકીય સાધનો માટે કિંમત ડેટાનું વિશ્લેષણ કરે છે, ચાર્ટ પર વર્તમાન અને ઐતિહાસિક કિંમત પેટર્ન આપમેળે શોધી કાઢે છે. તકનીકી વિશ્લેષણના ક્ષેત્રના નિષ્ણાતોએ આ તકનીકના વિકાસમાં ભાગ લીધો હતો;
3) વિશ્લેષણના પરિણામો કંપનીના ગ્રાહકો દ્વારા પ્રાપ્ત થાય છે, જેઓ તેમની વેબસાઇટ્સ પર અનુરૂપ વિભાગો બનાવે છે;
4) રોકાણકારો, બ્રોકર્સ અને પોર્ટફોલિયો મેનેજરો નવી ટ્રેડિંગ તકો શોધવા અને અન્ય રીતે પ્રાપ્ત સિગ્નલોની પુષ્ટિ કરવા પેટર્નનો ઉપયોગ કરે છે. ક્લાયન્ટ્સ ઓળખાયેલ કિંમત પેટર્ન વિશે મફતમાં માહિતી આપી શકે છે અથવા ચૂકવેલ સેવાનું આયોજન કરી શકે છે. અંતિમ વપરાશકર્તાઓ કોઈપણ ઉપલબ્ધ પરિમાણો (સુરક્ષા નામ, વિનિમય, ક્ષેત્ર, પેટર્નનો પ્રકાર, વગેરે) નો ઉપયોગ કરીને પેટર્નને ઓળખવા માટે વિનંતી કરે છે https://example.recognia.com/demo રેકોગ્નિયા ઓન-લાઈન બ્રોકર પ્રોડક્ટનું ડેમો સંસ્કરણ રજૂ કરે છે. , જે તમામ સંભવિત કાર્યોની ઍક્સેસ પ્રદાન કરે છે, પરંતુ નાણાકીય સાધનોના મર્યાદિત સેટ અને વિલંબ સાથે કિંમતની માહિતીની પ્રાપ્તિ સાથે.
રેકગ્નીયા ઓન-લાઈન બ્રોકર પ્રોડક્ટ રોકાણકારોને નીચેના સાધનો પ્રદાન કરે છે:
ટેકનિકલ ઇવેન્ટ સ્ટોક સ્ક્રકનર (ફિગ. 6.2.) નાણાકીય સાધનોની સૂચિનું સંકલન કરે છે જે વપરાશકર્તા દ્વારા દાખલ કરેલ માપદંડોને પૂર્ણ કરે છે. રોકાણકારે શોધ પરિમાણો સેટ કરવાની જરૂર છે જે ઇચ્છિત તકનીકી વિશ્લેષણ ઇવેન્ટને લાક્ષણિકતા આપે છે: પ્રકાર, તારીખ, અવધિ, મંદી અથવા બુલિશ સંકેતો, વગેરે. વપરાશકર્તા અન્ય શોધ માપદંડ પણ દાખલ કરી શકે છે; વિનિમય, ઉદ્યોગ, સાધનનો પ્રકાર, વેપારનું પ્રમાણ અને ભાવ સ્તર. ઉદાહરણ તરીકે, તમારે ઓઇલ અને ગેસ સેક્ટરમાં એવા સ્ટોક્સ શોધવાની જરૂર છે કે જેણે તાજેતરમાં ભાવ રિવર્સલ પેટર્ન દર્શાવી છે - એક "ડબલ બોટમ". આવી સિક્યોરિટીઝ માટે, કિંમત ઉપર તરફ જવાની અપેક્ષા છે;
ટેકનિકલ ઇવેન્ટ લુકઅપ. આ કાર્યતમને ચોક્કસ સુરક્ષા અથવા અનુક્રમણિકા માટે તમામ તાજેતરની તકનીકી વિશ્લેષણ ઇવેન્ટ્સની સૂચિ મેળવવાની મંજૂરી આપે છે. પસંદ કરેલા પેપર માટેની તમામ ઇવેન્ટ્સને ચાર અલગ-અલગ વર્ગોમાં જૂથબદ્ધ કરવામાં આવી છે:
a) ક્લાસિક પેટર્ન (ક્લાસિક પેટર્ન) - પરંપરાગત ગ્રાફિક પેટર્ન, ઉદાહરણ તરીકે, "ડબલ ટોપ" અથવા "માથા અને ખભા";
b) ટૂંકા ગાળાની પેટર્ન અથવા કૅન્ડલસ્ટિક પેટર્ન;
c) સૂચક (સૂચક) - મૂવિંગ એવરેજ પર આધારિત ઇવેન્ટ્સ;
d) ઓસિલેટર (ઓસિલેટર), ઉદાહરણ તરીકે, MACD અથવા RSI.
માન્યતા પરિણામોનું વિઝ્યુલાઇઝેશન. ફિગ માં. આકૃતિ 6.3 રેકગ્નીયા ગ્રાફિકલ મોડેલને ઓળખવાનું ઉદાહરણ રજૂ કરે છે. રોકાણકાર નીચેની માહિતી મેળવે છે: ટૂંકું વર્ણનઇવેન્ટ (પેટર્ન), ઇવેન્ટની તારીખ અને યેનની સંભવિત લક્ષ્ય શ્રેણી. ચાર્ટમાં એવી રેખાઓનો સમાવેશ થાય છે જે એક પેટર્ન બનાવે છે, ઇવેન્ટની તારીખ દર્શાવતું આઇકન અને ટ્રેન્ડ લાઇન્સ.
Q Recognita Inc. ઝૂડ
મેટાસ્ટોક માટે ચાર્ટ પેટેમ રેકગ્નિશન (CPR) એ મેટાસ્ટોક માટેનો એક વધારાનો નિષ્ણાત પ્રોગ્રામ છે જે તમને છ ક્લાસિક ટ્રેન્ડ રિવર્સલ પેટર્ન (હેડ અને શોલ્ડર ટોપ અને બોટમ, ટ્રિપલ ટોપ, ટ્રિપલ બોટમ, ડબલ ટોપ) અને ડબલ બોટમ અને ત્રણ ચાલુ રાખવા માટે આપમેળે ઓળખવા દે છે. વલણ પેટર્ન
("સપ્રમાણ ત્રિકોણ", "ચડતો ત્રિકોણ" અને "ઉતરતો ત્રિકોણ"). આ ચાર્ટ મોડલ્સ સૌથી વિશ્વસનીય છે.
જ્યારે પ્રોગ્રામ કોઈ પેટર્નની ઓળખ કરે છે, ત્યારે એક્સપર્ટ કોમેન્ટરી બ્લોક, જે ચાર્ટ પર પેટર્ન શોધવામાં આવે ત્યારે વેપારીને ભલામણો આપવા માટે જવાબદાર છે, તે જણાવે છે કે રક્ષણાત્મક સ્ટોપ ઓર્ડર ક્યાં આપવાનું શ્રેષ્ઠ છે અને સંપત્તિની અપેક્ષિત કિંમત શું છે. પ્રોગ્રામ ચાર્ટ પર ઓળખાયેલ બિન-નવી પેટર્નને ચિહ્નિત કરે છે અને પોઝિશનમાં પ્રવેશવા અને બહાર નીકળવા માટે સિગ્નલ જનરેટ કરે છે. CPR તમને કિંમત પેટર્ન માટે બહુવિધ ચાર્ટ ઝડપથી સ્કેન કરવાની મંજૂરી આપે છે.
1. માથા અને ખભાની પેટર્નને ઓળખવી. આ મોડેલ માટે મૂળભૂત નિયમો:
1) અગાઉના અપટ્રેન્ડ: ત્રણ અથવા વધુ સળંગ શિખરો;
2) ડાબો ખભાસુધારાત્મક ઘટાડા પછી અનુસરે છે;
3) ડાબા ખભા ઉપર નવા સ્તરે વધારો;
4) યેન પાછલા લઘુત્તમ સ્તરે ઘટે છે;
5) ત્રીજું ચઢાણ મધ્યમ શિખરની ટોચ પર પહોંચતું નથી;
6) ગરદન રેખા નીચે બંધ.
જલદી કિંમત ગરદનના સ્તરથી નીચે આવે છે, CPR પ્રોગ્રામ આગલી શરૂઆતના સમયે ટૂંકી સ્થિતિ દાખલ કરવા માટે સંકેત આપે છે. ટ્રેડિંગ સત્ર. લઘુત્તમ લક્ષ્ય કિંમત "નેક" લાઇનના બ્રેકઆઉટ બિંદુથી "હેડ" ના ટોચના બિંદુથી આગામી ડિપ્રેશનના સ્તર સુધીના અંતરને નીચે કાવતરું કરીને નક્કી કરવામાં આવે છે. મહત્તમ લક્ષ્ય કિંમત એ પૂર્વવર્તી અપટ્રેન્ડ પેટર્નના પ્રથમ બારની ન્યૂનતમ કિંમત છે. લક્ષ્ય કિંમતો વિશેની માહિતી નિષ્ણાત કોમેન્ટરીમાં પ્રતિબિંબિત થાય છે.
જો ચોક્કસ સમયગાળાની અંદર લઘુત્તમ લક્ષ્ય કિંમત ન પહોંચી હોય અથવા કિંમત નેકલાઇનથી ઉપર વધે, તો પેટર્ન રદ કરવામાં આવે છે. લઘુત્તમ લક્ષ્ય કિંમત હાંસલ કરવા માટેનો મહત્તમ સમયગાળો ડાબા "ખભા" થી જમણી તરફના અંતરની સમકક્ષ છે.
2. "ટ્રિપલ ટોપ" પેટર્નની ઓળખ. આ મોડેલ માટે મૂળભૂત નિયમો:
ગત અપટ્રેન્ડ: ત્રણ અથવા વધુ સળંગ શિખરો;


4) અગાઉના લઘુત્તમ સ્તરે ભાવ ઘટાડો;
5) ત્રીજો વધારો અગાઉના બે શિખરોના સ્તરે પહોંચે છે;
6) સપોર્ટ લાઇનની નીચે બંધ.
જલદી ભાવ સપોર્ટ લેવલથી નીચે આવે છે, SRY આગલા ટ્રેડિંગ સત્રની શરૂઆતમાં ટૂંકી સ્થિતિ દાખલ કરવા માટે સંકેત જારી કરે છે. ન્યૂનતમ લક્ષ્ય કિંમત સ્થગિત કરીને નક્કી કરવામાં આવે છે મધ્યમ ઊંચાઇબ્રેકઆઉટ પોઈન્ટથી નીચે સપોર્ટ લાઈનમાં ત્રણ ટોપ. મહત્તમ લક્ષ્ય કિંમત એ અગાઉના અપટ્રેન્ડ પેટર્નના પ્રથમ બારની ન્યૂનતમ કિંમત છે.

3. "ડબલ ટોપ" પેટર્નને ઓળખવી. આ મોડેલ માટે મૂળભૂત નિયમો:

2) ડાબી ટોચ સુધારાત્મક ઘટાડો અનુસરે છે;
3) ડાબી ટોચના સ્તર પર નવો વધારો;
4) અગાઉના મંદીના સ્તરની નીચે બંધ.
જલદી ભાવ સપોર્ટ લેવલથી નીચે આવે છે, SRY આગલા ટ્રેડિંગ સત્રની શરૂઆતમાં ટૂંકી સ્થિતિ દાખલ કરવા માટે સંકેત જારી કરે છે. ન્યૂનતમ લક્ષ્ય કિંમત પ્રથમ શિખરની ઊંચાઈને બ્રેકઆઉટ પોઈન્ટથી નીચે સપોર્ટ લાઈનમાં ગોઠવીને નક્કી કરવામાં આવે છે. મહત્તમ લક્ષ્ય કિંમત એ પૂર્વવર્તી અપટ્રેન્ડ પેટર્નના પ્રથમ બારની ન્યૂનતમ કિંમત છે.
જો ચોક્કસ સમયગાળાની અંદર લઘુત્તમ લક્ષ્ય કિંમત સુધી પહોંચી ન જાય અથવા કિંમત સપોર્ટ લાઇનથી ઉપર વધે, તો પેટર્ન રદ કરવામાં આવે છે. લઘુત્તમ લક્ષ્ય કિંમત હાંસલ કરવા માટેનો મહત્તમ સમયગાળો ડાબા શિખરથી જમણી ટોચ સુધીના અંતરની સમકક્ષ છે.
4. "ચડતા ત્રિકોણ" પેટર્નની ઓળખ. આ મોડેલ માટે મૂળભૂત નિયમો:
1) અગાઉનું ઉપરનું વલણ: બે અથવા વધુ સળંગ શિખરો;
2) ડાબી ટોચ સુધારાત્મક ઘટાડો અનુસરે છે;
3) ડાબી ટોચના સ્તર પર નવો વધારો;
4) કરેક્શન પાછલા એક કરતા વધારે મંદી બનાવે છે;
5) અગાઉના શિખર ઉપર વધો - બ્રેકઆઉટ પોઈન્ટ.
ત્રિકોણના શિખરો અને ચાટ સાથે દોરેલી વલણ રેખાઓ એકરૂપ થાય છે. ત્રિકોણની લંબાઈના 2/3 અથવા 3/4 આડા ખસેડ્યા પછી, કિંમત સામાન્ય રીતે તેને અગાઉના વલણની દિશામાં તોડે છે. જો ત્રિકોણની લંબાઈના 75% નું અંતર આવરી લેતા પહેલા કોઈ પ્રગતિ ન થાય, તો પેટર્ન રદ કરવામાં આવે છે.
જલદી ભાવ પ્રતિકાર સ્તરથી ઉપર વધે છે, SRY આગલા ટ્રેડિંગ સત્રની શરૂઆતમાં બાય સિગ્નલ જારી કરે છે. લક્ષ્ય કિંમત સુધી પહોંચવાનો લઘુત્તમ સમયગાળો પ્રથમ ટોપ/બોટમથી બીજા ટોપ/બોટમ સુધીના અંતરની સમકક્ષ છે. ત્રિકોણના પાયાની અડધી લંબાઈ બ્રેકઆઉટ બિંદુથી ઉપર તરફ લંબાવીને લક્ષ્ય કિંમત નક્કી કરવામાં આવે છે.
5. "ઉતરતા ત્રિકોણ" પેટર્નને ઓળખવું. આ મોડેલ માટે મૂળભૂત નિયમો:
અગાઉના ડાઉનટ્રેન્ડ: બે અથવા વધુ સતત મંદી;
2) ડાબી ડિપ્રેશન સુધારાત્મક ઉદયને અનુસરે છે;
3) ડાબી પોલાણના સ્તરમાં નવો ઘટાડો;
4) ઉદય પાછલા એકની નીચે બીજી ટોચ બનાવે છે;
5) અગાઉના ડિપ્રેશનના સ્તરથી નીચે આવવું એ બ્રેકઆઉટ પોઈન્ટ છે.
ફ્લેઇલ સપોર્ટ લેવલથી નીચે આવતાની સાથે જ, SRY આગલા ટ્રેડિંગ સેશનની શરૂઆતમાં ટૂંકી સ્થિતિ દાખલ કરવા માટે સંકેત આપે છે (આકૃતિ 6.4). જો ત્રિકોણની લંબાઈના 75% નું અંતર આવરી લેતા પહેલા કોઈ પ્રગતિ ન થાય, તો પેટર્ન રદ કરવામાં આવે છે. લક્ષ્ય કિંમત સુધી પહોંચવાનો લઘુત્તમ સમયગાળો પ્રથમ ટોપ/બોટમથી બીજા ટોપ/બોટમ સુધીના અંતરની સમકક્ષ છે. બ્રેકઆઉટ પોઈન્ટથી નીચે ત્રિકોણના આધારની અડધી લંબાઈ લંબાવીને લક્ષ્ય કિંમત નક્કી કરવામાં આવે છે.
6. "સપ્રમાણ ત્રિકોણ" મોડેલની ઓળખ. આ મોડેલ માટે મૂળભૂત નિયમો:
1) પાછલા ઉપરનું અથવા નીચેનું વલણ: બે અથવા વધુ સળંગ શિખરો;
2) ડાબી ટોચ (ચાટ) સુધારાત્મક ઘટાડા (ઉદય) ને અનુસરે છે;
3) અગાઉના શિખર (ચાટ) ના સ્તરની નીચે (ઉપર) વધારો (ઘટાડો);
4) ઘટાડો (વધારો) પાછલા એકની ઉપર (નીચે) બીજી મંદી (ટોચ) બનાવે છે;
5) ટ્રેન્ડ લાઇન બ્રેકથ્રુ.
એકવાર ભાવ પ્રતિકારક સ્તરથી ઉપર વધે છે, CPR આગલા ટ્રેડિંગ સત્રની શરૂઆતમાં બાય સિગ્નલ જારી કરે છે. જો કિંમત સપોર્ટ લેવલથી નીચે આવે છે, તો CPR આગલા ટ્રેડિંગ સત્રની શરૂઆતમાં ટૂંકી સ્થિતિ દાખલ કરવા માટે સંકેત આપે છે. જો ત્રિકોણની લંબાઈના 75% નું અંતર આવરી લેતા પહેલા કોઈ પ્રગતિ ન થાય, તો પેટર્ન રદ કરવામાં આવે છે. લક્ષ્ય કિંમત હાંસલ કરવા માટેનો લઘુત્તમ સમયગાળો પ્રથમ ટોપ/બોટમથી બીજા ટોપ/બોટમ સુધીના અંતરની સમકક્ષ છે. બ્રેકઆઉટ પોઈન્ટથી ત્રિકોણ આધારની પેટા-લંબાઈને પ્લોટ કરીને લક્ષ્ય કિંમત નક્કી કરવામાં આવે છે.
CPR પાસે એક્સેલ પેકેજ માટે વધારાના સોફ્ટવેરના રૂપમાં ડેટાનું વિશ્લેષણ અને વર્ગીકરણ કરવા માટેના સાધનો છે: AnalyzerXL, DownioaderXL, RTQuotesXL, PredictorXL, BulkQuotesXL, ClassifierXL, PortfolioXL, OptionsXL, તેમની ક્ષમતાઓ કોષ્ટકમાં પ્રસ્તુત છે. 6.1.
તાજેતરમાં, ચાર્ટ પેટર્નને ઓળખવા માટે નવી સૉફ્ટવેર સિસ્ટમ્સ દેખાઈ છે, જેમ કે: Pattem z - Pattem Recognition Software (http://www.thepattemsite.com); રેમ્પ-ચાર્ટ પેટર્ન રેકગ્નિશન સ્કેનર (http; // www.newadawn.com); ઓમ્ની ટ્રેડર ચાર્ટ પેટર્ન રેકગ્નિશન મોડ્યુલ 2 (http://www.onmitrader.com); IBFX - PRS - પેટર્ન રેકગ્નિશન સિસ્ટમ (http://www.ibfx.com)