پیشنهاد یک روش آشکارساز صوت دو مرحله ای مبتنی بر مدل مخفی مارکوف
Publish place: 14th Annual Conference of Computer Society of Iran
Publish Year: 1387
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 2,055
متن کامل این Paper منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل Paper (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ACCSI14_213
تاریخ نمایه سازی: 26 مهر 1387
Abstract:
آشکارساز صوت (Voice Activity Detection)ابزار مهمی برای افزایش کارائی روش های کد کردن گفتار، بهبود کیفیت گفتار و بازشناسی گفتار محسوب می شود. آشکارسازها به روش های آستانه گذاری و روشهای مبتنی بر مدل تقسیم می شوند. روش های آستانه گذاری کارائی ضعیفی در محیط نویزی دارند. از اینرو در مقاله حاضر یک الگوریتم VAD مبتنی بر مدل مخفی مارکوف پیشنهاد شده است که در دو مرحله عمل می کند. نخست با یک دسته بند (مدل مخفی مارکوف)، نوع نویز تشخیص داده می شود. در مرحله دوم، آشکارساز صوت مرتبط با آن نویز بکار می رود تا عملکرد بالاتری در محیط نویزی داشته باشد . ویژگی های مورد استفاده در این روش، بردار ۳۹ بعدی شامل لگاریتم انرژی، ۱۲ ضریب MFCC و مشتقات مرتبه اول و دوم آنها می باشد عملکرد الگوریتم پیشنهادی بر روی دادگان TIMIT مورد ارزیابی قرار گرفته است. بر اساس نتایج بدست آمده روش پیشنهادی نسبت به روش های دیگر عملکرد قابل قبولی از خود نشان داده است.
Keywords:
Authors
محمد مهدی فارسی نژاد
آزمایشگاه پردازش صدا و گفتار، دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران
بهزاد زمانی دهکردی
آزمایشگاه پردازش صدا و گفتار، دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران
احمد اکبری
آزمایشگاه پردازش صدا و گفتار، دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران
بابک ناصر شریف
گروه مهندسی کامپیوتر، دانشکده فنی، دانشگاه گیلان
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 :