Тема: Сравнение методов распознавания дикторов при наличии помех в речевом сигнале

Развитие цифровой вычислительной техники повлекло за собой развитие такой сферы, как цифровая обработка сигнала. Цифровая обработка сигнала - это область, в которой исследуются способы обработки сигналов на основе численных методов с использованием вычислительной техники. Обработка сигналов широко используется в обработке звука и изображений.
В настоящий момент, можно выделить перспективные области, в которых используется обработка звука: управление по голосу, распознавание речи, распознавание диктора по голосу.
Задача распознавания диктора по голосу была поставлена более 40 лет тому назад, и исследования в этой области все еще продолжаются[1]. Эту задачу делят на две задачи: верификацию и идентификацию. В верификации требуется подтвердить, что данный голос принадлежит данному диктору. В идентификации же, по голосу нужно определить диктора, которому принадлежит этот голос. Решение задачи распознавания речи может найти применение:
• В криминалистике и судебной экспертизе - определение того, принадлежит данная запись голоса (например, телефонного звонка), подозреваемому;
• В радио-разведке, контр-разведке, антитерростическом мониторинге - как пример, идентификация человека при сообщении о бомбе;
• В сегментации дикторов - необходима при разметке звуковых стенограмм, телеконференций, интервью;
• А также во многих других областях.
Целью работы является построение различных классификаторов способных определить принадлежность короткого речевого сигнала (длиной 10-30 мс) к одному из дикторов, записи голоса которых уже имеются. Помимо этого, требуется определить наиболее оптимальные параметры классификаторов, а также сравнить качество классификации при различном уровне шума в сигнале, различном количестве дикторов и различной длине речевого сигнала.
Купить

Были построены и обучены четыре различных классификатора (k ближайших соседей, случайный лес, многослойный персептрон, сверточная нейронная сеть) для решения задачи идентификации дикторов. По результатам экспериментов можно сказать, сверточные нейронные сети лучше других алгоритмов справляются с задачей идентификации при большом числе дикторов (9 и более), при этом этот классификатор имеет примерно те же временные затраты (если учитывать время получения коэффициентов FFT, MFCC из сигнала) что и многослойный персептрон. В эксперименте с добавлением шума в сигнал лучшие показатели достоверности имеет многослойный персептрон, при этом имея временные затраты (не учитывая получения коэффициентов FFT, MFCC) равные 9.6 * 10-6 секунд, использование видеокарты может заметно уменьшить временные затраты (в экспериментах удалось получить 5.8 * 10-7 секунд на классификацию одного примера). Что касается kNN и Random Forest, то они справляются с этой задачей хуже, чем два вышеописанных, при этом kNN требует огромного времени на классификацию примеров, а Random Forest требует большого количества оперативной памяти.
Купить