تشخیص نواحی صدادار، بی صدا و سکوت سیگنال گفتار با استفاده از روش استخراج ویژگی مبتنی بر خوشه بندی در فضای طیفی- زمانی

یکی از روش های بازنمایی سیگنال گفتار، بازنمایی طیفی- زمانی گفتار با استفاده از مدل شنیداری می باشد. در این مقاله، از روش های مبتنی بر خوشه بندی فضای طیفی- زمانی، برای بخش بندی گفتار استفاده می شود. در این روش، با استفاده از خوشه بندی مدل WK- Means ، بردارهای میانگین و واریانس مراکز خوشه ها به عنوان ویژگی های ثانویه در هر قاب استخراج می شود. با توجه به اینکه بخش های صدادار نسبت به بخش های بی صدا انرژی بیشتری دارد، در مرحله نخست از میانگین انرژی خوشه اول برای بخش بندی سیگنال گفتار استفاده شده است در این روش برای تفکیک نواحی صدادار، بی صدا و سکوت گفتار، از دو آستانه استفاده شده است. مقادیر این آستانه ها به صورت تجربی به دست آمده و برای تمامی جملات استفاده شده است. به منظور افزایش دقت بخش بندی، ویژگی های دیگر همچون، اختلاف انرژی خوشه اول و سوم و مینیمم مقدار تابع همبستگی نرمالیزه شده خوشه ها در طول قاب های متوالی با میانگین انرژی خوشه اول استفاده شد. در این مرحله، سیستم بخش بندی گفتار به دقت کلی 88/34% دست یافت. نتایج بخش بندی گفتار به دقت 66/66 % دست یافته است و خطای سیستم پیشنهادی نسبت به روش های موجود کاهش یافته است.

Keywords:

ویژگی های طیفی- زمانی , مدل شنیداری , خوشه بندی , k میانگین وزندار