یکی از رویکردهای موثر در بهبود کارایی سیستم‌ های بازشناسی گفتار، طراحی روش‌های متنوع استخراج ویژگی از سیگنال گفتار و ترکیب اطلاعات به دست آمده از آن ها است. تحقیقات اخیر نشان می دهد که سیگنال گفتار دارای رفتار غیرخطی و آشوبی است، ولی از این مشخصه سیگنال گفتار در سیستم‌های بازشناسی پیوسته گفتار استفاده نمی‌شود. یکی از حوزه های مناسب برای نمایش دینامیک غیرخطی سیگنال آشوبی، فضای بازسازی شده فاز (RPS) است، از اینرو در این مقاله یک روش جدید استخراج ویژگی مبتنی بر RPS (LLRPS) پیشنهاد شده است. این ویژگی‌ها از امتیاز شباهت تراژکتوری سیگنال گفتار جاسازی شده در RPS با مجموعه ای از مانیفولدهای واجی از پیش تعیین شده محاسبه می شوند. سپس مقادیر احتمال پسین واجی بوسیله ساختار شبکه عصبی TMLP از روی ویژگی های LLRPS تخمین زده می شود. ساختار شبکه عصبی استفاده شده بصورتی است که علاوه بر توانایی استخراج اطلاعات دینامیک، دارای قابلیت پیاده سازی روش های متنوع ترکیب خروجی است. نتایج آزمایشات بر روی مجموعه دادگان گفتاری فارس‌دات نشان می دهد که ترکیب غیرخطی خروجی سیستم های بازشناسی، شامل ویژگی های متداول کپستروم MFCC و ویژگی های پیشنهادی LLRPS، به ترتیب منجر به بهبود 94/3 درصد در دقت بازشناسی قاب و 02/4 درصد در دقت بازشناسی واج نسبت به عملکرد سیستم بازشناسی پایه شده است.

واژه‌های کلیدی: بازشناسی گفتار پیوسته، استخراج ویژگی، فضای بازسازی شده فاز، مانیفولدهای واجی، امتیاز درست نمایی، شبکه عصبی.

متن کامل [PDF 3564 kb]   (2667 دریافت)