بهبود روش‌هاي تطبيق با گوينده در شبكه‌ي عصبي عميق براي بازشناسي گفتار

كارشناسي ارشد

استفاده از شبكه‌هاي عصبي عميق در زمينه‌هاي مختلف در حال افزايش است. اين مدل‌ها در كاربردهاي گوناگوني مورد استفاده قرار گرفته‌اند و دقتي بالاتر از مدل‌هاي پيشين ارائه كرده‌اند. حوزه‌ي بازشناسي گفتار نيز از اين كاربردها مجزا نبوده و بكارگيري يادگيري عميق موجب افزايش دقت در بازشناسي گفتار شده است. يكي از مسايل مهم در زمينه‌ي پردازش گفتار، جبران افت دقت بازشناسي براي گويندگان جديد است. به عبارت ديگر در كاربردهاي عملي بازشناسي گفتار، نياز است تا مدل مستقل از گوينده كه با مجموعه‌ي دادگان آموزش ديده است، با گوينده ي جديد تطبيق داده شود. تطبيق مدل با گوينده موجب افزايش دقت بازشناسي خواهد شد. يكي از روش‌هاي تطبيق با گوينده كه براي مدل‌هاي مخلوط گوسي توسعه داده شده است، روش تحليل عامل نام دارد. در روش تحليل عامل سعي مي‌شود تا اجزاي تشكيل دهنده‌ي گفتار را مورد بررسي قرار دهيم و روابط بين عوامل را فرا بگيريم. در اين تحقيق ابتدا دو عامل واج و جنسيت توسط شبكه‌هاي گلوگاه استخراج مي‌شوند. پس از آن سعي مي‌شود تا رابطه ي بين دو عامل توسط شبكه‌ي تحليل عامل فراگرفته شود. براي بهبود روش تطبيق با گوينده، ابتدا ويژگي‌هاي گلوگاهي براي هر عامل را از دو شبكه با توابع فعاليت مختلف استخراج و به يكديگر الحاق مي‌كنيم. در مرحله ي دوم نيز براي آموزش شبكه‌ي تحليل عامل از نرون‌هاي تطبيق يافته بهره مي‌گيريم. نتيجه‌ي ارزيابي‌ها روي مجموعه‌ي دادگان TIMIT نشان مي‌دهد كه تحليل عامل موجب افزايش متوسط 2 درصدي در رده‌بندي تك واج مي‌شود. بكارگيري ايده‌ي الحاق ويژگي‌ها موجب متوسط 0.8 درصد بهبود و ايده‌ي بكارگيري نرون‌هاي تطبيق يافته موجب 0.6 درصد بهبود در رده‌بندي تك واج مي‌شوند. واژه‌هاي كليدي: شبكه‌ي عصبي عميق، تطبيق با گوينده، تحليل عامل، ويژگي‌هاي گلوگاه، بازشناسي گفتار.

189651

دانشگاه علم و صنعت ايران

دكتر بابك ناصرشريف

هوش مصنوعي

دكتر احمد اكبري