روشي جديد در بازشناسي مقاوم گفتار مبتني بر دادگان مفقود با استفاده از شبكه عصبي دوسويه

A new method of robust speech recognition based on Missing Features using bidirectional neural network

عملكرد سامانه هاي بازشناسي گفتار زماني كه گفتار توسط نوفه تخريب شده باشد، به شدّت كاهش مي يابد. يكي از روش هاي رايج براي مقاوم سازي سامانه هاي بازشناسي گفتار استفاده از روش دادگان مفقود است. در اين روش مولّفه‌هايي از نمايش زماني- فركانسي گفتار (اسپكتروگرام) كه نسبت سيگنال به نوفه (SNR) آنها از يك آستانه كم تر است، به عنوان مولّفه هاي نامعتبر يا مفقود برچسب دهي مي شوند. اين مولّفه ها با استفاده از مولّفه هاي معتبر و اطّلاعات آماري نسبت به دادگان تميز، تخمين زده شده و جايگزين مي شوند. در اين مقاله الگوي ويژگي هاي مفقود با ديدگاهي نو، به عنوان مسيله جبران سازي دادگان مطرح مي شود. بدين صورت كه با استفاده از شبكه عصبي دوسويه و انجام يك سري پردازش‌هاي غيرخطي و دوطرفه (جلوسو و برگشتي) از دانش نهفته در مدل، ناشي از يادگيري هم-زمان گفتار تميز و نوفهي بهره گرفته، بردارهاي بازنمايي گفتار در جهت افزايش صحت بازشناسي آواها بهبود مي يابند. در اين روش نيازي به شناسايي مولّفه‌هاي مفقود كه يك بحث چالش برانگيز در حوزه بازشناسي مقاوم گفتار مبتني بر دادگان مفقود است، نمي باشد؛ بلكه بازسازي در جهت هرچه شبيه ترشدن تمامي مولّفه‌ها، خواه معتبر باشد، خواه نامعتبر به مولّفه‌هاي گفتار تميز صورت مي گيرد و اين يك برتري بسيار چشم‌گيري است كه در اين تحقيق حاصل شده است. نتايج مقايسه اين دو روش نشان مي‌دهد كه با استفاده از روش دادگان مفقود، 2/4 درصد بهبود براي صحّت بازشناسي گفتار نوفه‌اي با نسبت سيگنال به نوفه dB0 حاصل شده درحالي كه با استفاده از روش مبتني‌بر شبكه عصبي دوسويه، 5/8 درصد بهبود براي همان نسبت سيگنال به نوفه به دست آمده است.