یک رویکرد ترکیبی مبتنی بر یادگیری عمیق جهت تشخیص فعالیت صدا در حضور نویز گذرا

تشخیص فعالیت صدا، شاخهای از علم پردازش سیگنال و یکی از بخشهای بسیار مهم در پردازش سیگنالهای صوتی بوده و در بسیاری از سیستم های مخابراتی و صوتی مانند بازشناسی گفتار، بهسازی گفتار و حذف نویز مورد استفاده قرار میگیرد. با توجه به دریافت نویز محیطی به هنگام ضبط گفتار انسان، نیاز به سیستمی برای تشخیص بخشهای گفتار در سیگنال های صوتی ضبط شده میباشد. هدف از این مقاله، بررسی یک سیستم تشخیص فعالیت صدایی است که با به کارگیری شبکه های عصبی بازگشتی و خودرمزنگار، و استخراج ویژگیهای ضرایب کپسترال فرکانس مل))MFCC و مشتقات اول و دوم آنها، به متمایز ساختن بخشهای گفتاری از بخشهای غیرگفتاری در یک محیط نویزی بپردازد. تا کنون روشهای متعددی در این زمینه مطرح شدهاند که کارایی آنها وابستگی زیادی به شرایط نویز زمینه ی موجود در محیط دارد، به گونه ای که اگر توان نویز بر توان گفتار غالب باشد و یا آمارگان نویز متغیر با زمان باشد، از کارایی اکثر روشهای موجود، کاسته خواهد شد. از اینرو، در این مقاله به بررسی روشی پرداخته شده است که از کارایی الزم در شرایطی با نسبت سیگنال به نویز پایین برخوردار بوده و ضمنا در مواجهه با نویزهای غیر ایستان نیز عملکرد قابل قبولی دارد. به این منظور، با ایجاد شرایط مورد نظر، به کمک نویزهای غیر ایستان، همچون نویز موسیقی و هم همه، دقت روشهای موجود و نیز روش ارائه شده، مورد مقایسه قرار گرفته شده است. بر اساس نتایج بدست آمده، روش پیشنهادی نسبت به روشهای دیگر عملکرد بهتری از خود نشان داده است.

Keywords:

روش چند مدلی , یادگیری عمیق , بازشناسی گفتار , انتخاب ویژگی , تشخیص فعالیت صدا.