最佳化方法於语音辨识之应用.PPT

最佳化方法於語音辨識之應用 Presenter:Ting-hao Wu Outline Introduction Signal Processing Experiments Conclusion Introduction 日常生活中例如開車時不方便撥手機，這時候若能夠聲控撥號將是很大的幫助。本實驗將最佳化方法應用於語音辨識，利用田口望大特性的參數設計決定出參數組合 ，期望能得到最高的辨識率。 Signal Processing 預強 取音框 計算熵值 漢明窗 快速複立葉轉換 三角帶通濾波器組 離散餘弦轉換 Signal Processing 取音框 當人們說話時，發音器官的位置及形狀會隨時間而改變，以發出各種不同的聲音，故發音系統為時變系統(time-varying system)；而其所產生的語音訊號則是屬非恆態訊號(non-stationary signal)，即訊號的統計特性是時變的。然而發音器官的位置及形狀在短暫時間內(約20ms)不會有太大的變化，因此在分析語音訊號特性時，可將語音訊號分段處理，在每一時間區段內假設發音系統為一非時變系統(time-invariant system)；換言之，假設語音訊號為一種區段性恆態訊號(piece-wise stationary signal)。 Signal Processing 計算熵值(端點偵測) Signal Processing 離散餘弦轉換 離散餘弦轉換為一與傅立葉轉換相關的轉換，與離散傅立葉轉換類似，但僅對實數做運算，適合用電腦做運算，速度較其它二者快 ，離散餘弦變換經常使用在信號處理和圖像處理，用於對信號和圖像進行有損數據壓縮。這是由於離散餘弦變換具有很強的“能量集中”特性:大多數的自然信號(包括聲音和圖像)的能量都集中在離散餘弦變換後的低頻部分。 Experiments 錄製0~9的聲音檔，每種數字錄十個當作訓練樣本 錄製0~9的聲音檔，每種數字錄一個當一組共三組當作測試樣本 測試十個數字當作一次實驗，共實驗三次 Experiments Experiments 取A3B1C1 Experiments Conclusion 效益評估 改善實驗方法 * * 45 min*0.9997 768bit 3 30 min*0.9998 256bit 2 15 min*0.9999 512bit 1 離散餘弦轉換 熵值 門檻 音框大小 2.676 0.54 0.733 0.7 0.8 0.7 2 3 3 9 2.291 0.59 0.767 0.7 0.8 0.8 1 2 3 8 2.291 0.59 0.767 0.8 0.8 0.7 3 1 3 7 3.098 0.49 0.7 0.7 0.7 0.7 1 3 2 6 3.497 0.447 0.667 0.7 0.7 0.6 3 2 2 5 3.499 0.453 0.667 0.8 0.6 0.6 2 1 2 4 3.497 0.447 0.667 0.6 0.7 0.7 3 3 1 3 3.497 0.447 0.667 0.7 0.7 0.6 2 2 1 2 1.568 0.697 0.833 0.8 0.9 0.8 1 1 1 1 η MSD y3 y2 y1 離散餘弦轉換 熵值 門檻 音框 大小 0.7 0.733 0.733 3 0.732 0.733 0.633 2 0.733 0.767 0.7 1 離散餘弦轉換 熵值門檻 音框大小 3.96 6 3.96 T 0.03% 0.001 0.248 2 0.497 0 0.497 e 22.75% 2.818 0.901 0.699 2 1.397 離散餘弦轉換 9.44% 1.75 0.374 0.435 2 0.87 熵值 門檻 17.68% 2.411 0.7 0.598 2 1.196 音框大小 貢獻度 變異比 純變動 變異 自由度 變動 因子 * * *