Journal of Acoustical Society of Iran
مجله علمی پژوهشی انجمن علوم صوتی ایران
مجله علمی پژوهشی انجمن علوم صوتی ایران
Engineering & Technology
http://joasi.ir
1
admin
2345-5748
2345-5748
8
7
14
8888
13
fa
jalali
1399
12
1
gregorian
2021
3
1
8
2
online
1
fulltext
fa
بهبود میانگین دقت طبقهبندیِ واکههایِ فارسی از روی علامتِ گفتار با استفاده از شبکۀ عصبیِ همگشتال (مقاله پژوهشی)
Improving the average precision of Persian vowel classification from speech signal by using convolutional neural network (Research Article)
پردازش علائم صوتی
Signal Processing
كاربردي
Applicable
<div style="text-align: justify;"><span style="color:black;"><span style="font-family:B Nazanin;">یکی از رویکردهای بازشناسیِ گفتار، الگو کردن گفتار بر مبنای تعدادی واحد آوایی است. با توجه به اینکه مشخصات بسامدی و زمانی واکهها، پایدارتر از سایر واجها هستند، تشخیص واکهها برای تشخیص گفتار مهم است. </span></span><span style="color:black;"><span style="font-family:B Nazanin;">در این پژوهش، هدف ارائه الگویی با استفاده از روشهای نوین، نظیر شبکۀ عصبی عمیق برای بهبود دقت تشخیص واکه و افزایش کاربردهای آن است. 30 گوینده (15 زن و 15 مرد)، تمامی حالتهای ترکیب همخوانها با شش واکۀ فارسی را میخوانند. دادگان گفتاری پس از پردازش </span></span><span style="color:black;"><span style="font-family:B Nazanin;">به قابهای حاوی فقط واکه بخشبندی شده و اسپکتروگرام آن استخراج میشود. اسپکتروگرام بهدست آمده، بهعنوان ورودی به شبکۀ عصبی پیچشی با دو لایۀ پنهان داده میشود. دادگان 25 گوینده برای آموزش و 5 گوینده برای آزمون بهکار برده شدهاند. میانگینِ دقتِ تشخیص شش واکۀ فارسی برای الگوی پیشنهادی 93<sub>/</sub>17 درصد (میانگین خطای 6<sub>/</sub>83 درصد) بهدست آمده است که نسبت به کارهای پیشین که میانگین خطایِ تشخیص واکه 9<sub>/</sub>7 </span></span><span style="color:black;"><span style="font-family:B Nazanin;">درصد الی </span></span><span style="color:black;"><span style="font-family:B Nazanin;">19<sub>/</sub>6 </span></span><span style="color:black;"><span style="font-family:B Nazanin;">درصد (کمترین و بیشترین میانگین خطا در الگوهای موجود) بوده،</span></span><span style="color:black;"><span style="font-family:B Nazanin;"> 2<sub>/</sub>87 درصد الی 12<sub>/</sub>77 درصد بهبود یافته است.</span></span></div>
<div style="text-align: justify;">One approach to speech recognition is to model speech based on a number of phonetic units. Because the frequency and temporal characteristics of vowels are more stable than other phonems, it is important to recognize vowels to distinguish speech. In this research, the aim is to present a model using modern methods, such as deep neural network to improve the accuracy of vowel recognition and increase its applications. 30 speakers (15 females and 15 males) read all the combinations of consonants with 6 Persian vowels. After preprocessing, the speech data is segmented into frames containing only the vowels and its spectrogram is extracted. These spectrogram are given as input to the neural network with two hidden layers. Speech of 25 speakers were used for training and speech of 5 speakers were used for testing. The average of accuracy of 6 Persian vowels for the proposed model was 93.17% (total average of vowel detection error is 6.83%). In previous works the average of vowel detection error was 9.7% to 19.6% that in proposed model improved from 2.87% to 12.77%.</div>
تشخیص واکههای فارسی, شبکۀ عصبی همگشتال (کانولوشنال), طبقهبندی, دادگان فارسی.
Persian vowel recognition, Classification, Convolutional neural network, Persian vowel dataset.
51
59
http://joasi.ir/browse.php?a_code=A-10-996-1&slc_lang=fa&sid=1
M.
Asgari
محمد
عسگری
m.asgari@iribu.ac.ir
10031947532846002783
10031947532846002783
Yes
IRIB
صدا و سیمای جمهوری اسلامی ایران
N.
Akbari
نرگس
اکبری
nargesakbari@iribu.ac.ir
10031947532846002784
10031947532846002784
No
IRIB
صدا و سیمای جمهوری اسلامی ایران