فاطمه دانشفر

در حالی که Metaverse توجه بسیاری را از دانشگاه، جامعه و مشاغل به خود جلب کرده است، هسته های پردازشی مورد استفاده در زیرساختهای آن به ویژه از نظر پردازش سیگنال و تشخیص الگو نیاز به بهبود دارند. بر این اساس، روش تشخیص احساسات گفتار (SER(نقش مهمی در ایجاد پلتفرم های Metaverse برای استفاده کاربران خود ایفا میکند. با اینحال، روش های SER موجود همچنان با دو مشکل مهم در محیط آنلاین مواجه هستند. کمبود تعامل و سفارشی سازی کافی بین آواتارها و کاربران به عنوان اولین مسئله شناخته شده است و مشکل دوم مربوط به پیچیدگی مشکلات SER در Metaverse است. به همین دلیل است که توسعه تکنیک های کارآمد یادگیری ماشین (ML(برای پردازش سیگنال های پیچیده برای افزایش تاثیرگذاری و ملموس بودن پلتفرم های Metaverse ضروری است. به عنوان یک راه حل، شبکه های حالت اکو (ESNs ، (که یک ابزار قدرتمند ML برای SER هستند، می توانند یک تکنیک مناسب برای تقویت پایه های Metaverseدر این زمینه باشند. با این وجود، ESNها دارای برخی مسائل فنی هستند که آنها را از تجزیه و تحلیل دقیق و قابل اعتماد دور می کند، به ویژه در حوزه داده های با ابعاد بالا. مهم ترین محدودیت این شبکه ها مصرف بالای حافظه ناشی از ساختار مخزن آنها در مواجهه با سیگنال های با ابعاد بالا است. برای حل تمام مشکلات مرتبط با ESN ها و کاربرد آن ها در Metaverse ، ما ساختار جدیدی برای ESN ها ارائه کرده ایم که توسط جبر octonion به نام NO2GESNet نامگذاری شده است. اعداد اکتونی دارای هشت بعد هستند، داده های با ابعاد بالا را به صورت فشرده نمایش می دهند و دقت و عملکرد شبکه را در مقایسه با ESN های معمولی بهبود می بخشند. شبکه پیشنهادی همچنین نقاط ضعف ESN ها را در ارائه آمارهای مرتبه بالاتر به لایه خروجی با تجهیز آن به یک فیلتر دوخطی چند بعدی برطرف می کند. سه سناریو جامع برای استفاده از شبکه پیشنهادی در Metaverse طراحی و تحلیل شده است که نه تنها دقت و عملکرد رویکرد پیشنهادی را نشان می دهد، بلکه راههایی را که چگونه SER میتواند در پلتفرم ها ی Metaverse به کار گرفته شود را نشان میدهد.