Neurolaskentamenetelmien soveltamisesta puheen tuoton häiriöiden mallintamiseen.

JÄRVELIN, ANTTI (2003)
 
Avaa tiedosto
Lataukset: 



JÄRVELIN, ANTTI
2003

Tietojenkäsittelyoppi - Computer Science
Informaatiotieteiden tiedekunta - Faculty of Information Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2003-06-04
Näytä kaikki kuvailutiedot
Julkaisun pysyvä osoite on
https://urn.fi/urn:nbn:fi:uta-1-11969

Sisällysluettelo

1. Johdanto ...................................................................................................................1 2. Neurolaskennan perusteita ...................................................................................5 2.1. Neuroverkko..................................................................................................5 2.2. Neuroverkkojen luokittelua.........................................................................7 2.3. Monikerrosperceptron................................................................................16 2.4. Syötteiden ja tulosten koodaaminen neuroverkoille .............................18 2.5. Miksi neuroverkot soveltuvat kielenhäiriöiden mallintamiseen? .......19 3. Puheentuoton psykologiaa..................................................................................23 3.1. Afasiasta kärsivät potilaat: afasialuokituksia..........................................24 3.2. Kielijärjestelmän modulaarisuudesta.......................................................25 3.3. Ajatuksista puheeksi: kaksivaiheinen teoria leksikalisaatiosta ............25 3.4. Kaksi nimeämishäiriöitä simuloivaa neuroverkkomallia .....................28 4. Uuden simulaatiomallin toteutus: Learning SLIPNET ...................................39 4.1. Syötteiden ja tulosten koodaus..................................................................40 4.2. Leksikaalis-semanttisen aliverkon arkkitehtuuri ...................................55 4.3. Foneemialiverkon arkkitehtuuri ...............................................................56 4.4. Verkolla laskeminen....................................................................................58 5. Learning SLIPNET -neuroverkon evaluointi....................................................61 5.1. Verkon yleiset ominaisuudet.....................................................................61 5.2. Sovitus potilasaineistoon............................................................................70 5.3. Yhteenveto simulaatioista..........................................................................81 6. Yhteenveto .............................................................................................................85 Viitteluettelo .................................................................................................................89
Tiivistelmä
Tutkielmassa tarkastellaan afaattisten nimeämishäiriöiden mallintamista kolmen

erilaisen neuroverkkomallin avulla. Esiteltävistä malleista kahden

tarkastelu perustuu kirjallisuuteen ja kolmas toteutettiin tutkielman teon

yhteydessä. Toteutetulla Learning SLIPNET -neuroverkkomallilla halutaan

osoittaa, että puheentuoton häiriöitä voidaan mallintaa yleisesti käytettyjen

monikerrosperceptron-neuroverkkojen avulla. Learning SLIPNETin kykyä

simuloida afasiapotilaita testattiin sovittamalla verkko kymmeneen potilaaseen,

jotka kärsivät erityyppisistä afasiaoireyhtymistä. Potilassovitukset onnistuivat

tilastollisesti hyvin. Tulosten laadullinen analyysi jätettiin kuitenkin

tekemättä, sillä sen suorittaminen vaatisi vankkaa neuropsykologian ja kielitieteen tieteenalojen asiantuntemusta.

Uuden simulaatiomallin kehittämisen yhteydessä jouduttiin pohtimaan sanojen

semantiikan ja fonologian esittämistä neuroverkoille. Fonologian koodaamiseksi

voitiin käyttää osaksi jo tunnettuja menetelmiä. Semantiikan koodaamiseksi

tyydyttävää menetelmää ei kuitenkaan ollut, joten tutkielmassa kehitetään

menetelmä semantiikan algoritmiseksi koodaamiseksi neuroverkoille.

Menetelmä perustuu sanojen hierarkkiseen luokitukseen. Sen avulla on

mahdollista muodostaa pienidimensioisia syötevektoreita, jotka soveltuvat

suuridimensioisia paremmin monikerrosperceptron-neuroverkkojen syötteeksi.

Tutkielmassa kehitetään lisäksi menetelmä, jolla simulaatiomallien sovittaminen

potilasaineistoon voidaan automatisoida. Tämä vapauttaa tutkijan simulaatioparametrien hakemiselta tärkeämpien työtehtävien pariin.

CR-luokat: I.2.6 [Artificial Inteligence]: Learning - connectionism and neural nets;

I.2.7 [Artificial Inteligence]: Natural Language Processing - language models

Avainsanat ja -sanonnat: afasia, neuroverkot, nimeämishäiriö, puheen tuoton

mallintaminen
Kokoelmat