تشخیص گفتار از موسیقی با استفاده از شبکه عصبی عمیق
Publish Year: 1394
Type: Conference paper
Language: Persian
View: 768
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
ICEEE07_549
Index date: 8 May 2016
تشخیص گفتار از موسیقی با استفاده از شبکه عصبی عمیق abstract
مساله تشخیص گفتار از موسیقی، یک مساله رده بندی دوکلاسه است که در آن از هر فریم مجموعهای از ویژگیها استخراج شده و توسط یک رده بند به یکی از دو کلاس موسیقی یا گفتار برچسب زده میشود. برای حل مساله تشخیص گفتار از موسیقی، معمولا از ردهبندهای مدل مخلوط گوسی یا ماشین بردار پشتیبان، استفاده میکنند. در این مقاله، به منظور دستیابی به مجموعه ویژگی بهینه، ترکیبی از ویژگیهای کوتاهمدت و بلند مدت مورد استفاده قرار گرفته است. در اینجا برای اولین بار استفاده از شبکه باور عمیق به عنوان ردهبند در حل مساله تشخیص گفتار از موسیقی پیشنهاد میشود. به همین منظور یک شبکه باور عمیق طراحی شده که در ابتدای کار پیشآموزش، داده میشود و سپس روش انتشار رو به عقب، وزنهای شبکه باور عمیق را تنظیم میکند. به منظور ارزیابی روش پیشنهادی خود، از مجموعه دادههای GTZAN و TIMIT بهره گرفته شده و روش خود را نسبت به مدل مخلوط گوسی که رایجترین روش در تشخیص گفتار از موسیقی است، مقایسه میکنیم. دقت روش پیشنهادی با استفاده از مجموعه ویژگیهای بهینه، 19 % در سطح فریم است که در مقایسه با مدل مخلوط گوسی 6 درصد بهبود داشته است.
تشخیص گفتار از موسیقی با استفاده از شبکه عصبی عمیق Keywords:
تشخیص گفتار از موسیقی - (SMD) , ویژگیهای طیفی , ویژگیهای کپستروم مل , شبکه باور عمیق , مدل مخلوط گوسی
تشخیص گفتار از موسیقی با استفاده از شبکه عصبی عمیق authors
جواد پیوندی
دانشکده برق و کامپیوتر، دانشگاه سمنان سمنان، ایران
هادی سلطانی زاده
دانشکده برق و کامپیوتر، دانشگاه سمنان سمنان، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :