استفاده از بازنمایی تنک و الگوریتم یادگیری ماشینی در آشکارساز فعالیت گفتار

Abstract

در این مقاله یک آشکارساز فعالیت گفتار بر مبنای بازنمایی تنک و آموزش لغت­نامه در فضای دو بعدی طیفی-زمانی ارائه شده است. مؤلفه ­های فضای طیفی-زمانی علاوه بر ابعاد فرکانس و زمان، دارای دو بعد دیگر مقیاس و نرخ هستند. در سالهای اخیر، استفاده از بازنمایی تنک و الگوریتم ­های یادگیری ماشینی در آموزش لغت ­نامه ­ها، جداسازی بهتر قسمت­ های گفتار و نویز را در پی داشته است. ایده اصلی در این روش، بازسازی هر سیگنال گفتار با استفاده از تعداد محدودی اتم ­های پایه است. در این الگوریتم با استفاده از فضای دو بعدی طیفی-زمانی و با کمک بازنمایی تنک، لغت­ نامه­ هایی با اندازه اتم ­های متفاوت حاصل شده که با روشهای یادگیری K-SVD و NMF آموزش داده می ­شوند. عملکرد این آشکارساز فعالیت ­گفتار در گفتار فارسی وانگلیسی ارزیابی شد. بطور مثال نتایج عملکرد این آشکارساز پیشنهادی در SNRهای بیشتر از 0 در گفتار انگلیسی برای نویر سفید و ماشین بیشتر از71/92 درصد و 82/91 درصد و برای گفتار فارسی بیشتر از 90 درصد می ­باشد که عملکرد خوب آشکارساز فعالیت ­گفتار پیشنهادی نسبت به سایر روش­ها را نشان می­دهد.