fa تشخیص لهجه های زبان فارسی از روی سیگنال گفتار با استفاده از روش های استخراج ویژگی کارآمد و ترکیب طبقه بندها مقالات پردازش گفتار Paper پژوهشي Research <p>تشخیص لهجه از روی شکل موج گفتار یکی از شاخه های نسبتا جدید در علم پردازش گفتار است.تشخیص لهجه می تواند تا حد زیادی باعث بهبود سیستم های بازشناخت گفتار شود.همانند هر سیستم بازشناسی، فرآیند تشخیص لهجه نیز شامل سه مرحله پیش پردازش، استخراج ویژگی و طبقه بندی است.در این مقاله سه روش کارآمد استخراج ویژگی شامل دامنه مرکزی طیفی (SCM) ، مشتق اول آن (∆SCM) و تبدیل Zak روی سیگنال گفتار اعمال شده اند و کارآیی این روش ها با روش های متدوال استخراج ویژگی مانند ضرایب مل-کپستروم و مشتقات آن مقایسه شده است. علاوه بر این یک ویژگی جدید که با ایجاد تغییراتی در الگوریتم محاسبه ضرایب مل-کپستروم به دست می آید برای تشخیص لهجه ها در محیط های نویزی معرفی گردیده است. برای مرحله طبقه بندی از پنج طبقه بند مختلف، شامل MLP ، KNN ، PNN ، RBF و SVM و ترکیب این طبقه بندها با یکدیگر استفاده شده است.نتایج آزمایش ها بیانگر بهبود نرخ بازشناسی لهجه ها با روش های پیشنهادی هستند.</p> <div style="text-align: left"> <p class="MsoNormal" style="text-align: justify direction: ltr unicode-bidi: embed">Speech recognition has achieved great improvements recently. However, robustness is still one of the big problems, e.g. performance of recognition fluctuates sharply depending on the speaker, especially when the speaker has strong accent and difference Accents dramatically decrease the accuracy of an ASR system. In this paper we apply three new methods of feature extraction including Spectral Centroid Magnitude (SCM), its first order difference (<span style="color: rgb(51, 51, 51) font-family: Tahoma, Arial, Verdana font-size: 13px line-height: 20.8px background-color: rgb(255, 255, 255)">∆SCM</span> ) and Zak transformation to the original speech signal using accents selected from FARSDAT corpus then their performance of these methods have been compared with some common methods such as MFCC. Moreover a new feature based on MFCC algorithm have been proposed in order to use in noisy environments. Five different classifications, including MLP, KNN, PNN, RBF and SVM and their combination have been used to evaluate the performance of each feature extraction methods. Experimental results demonstrate improvement in the recognition rates in our proposed method.<b><!--stripped--><!--stripped--></b></p> </div> دامنه مرکزی طیفی, ترکیب طبقه بندها , لهجه فارسی, ماشین بردار پشتیبان, ضرایب مل-کپستروم بهبود یافته Spectral Centroid Magnitude, classifiers combination, Farsi accents, support vector machine, Improved Mel Frequency Cepstral Coefficient 91 103 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-470-2&slc_lang=fa&sid=1 mojtaba sharif noughabi مجتبی شریف نوقابی mojtabasharif@chmail.ir 10031947532846003206 10031947532846003206 Yes دانشگاه شاهرود hossein marvi حسین مروی marvi_hossein@yahoo.co.uk 10031947532846003207 10031947532846003207 No دانشگاه شاهرود danial darabian دانیال دارابیان danial.darabian1@gmail.com 10031947532846003208 10031947532846003208 No دانشگاه شاهرود