بهبود عملکرد سیستم های تشخیص جنسیت از طریق سیگنال گفتار مبتنی بر الگوریتم بهینه سازی حسابی AOA

سیستم تشخیص جنسیت از طریق سیگنال گفتار در بسیاری از برنامه های کاربردی استفاده می شود. علاوه بر این، این سیستم در تعامل انسان و رایانه برای تخصیص رابط کاربری اعمال می شود. در مرحله انتخاب ویژگی، مجموعه ای از ویژگی ها برای تعیین جنسیت صدا استفاده می شوند. اخیرا، الگوریتم های فراابتکاری زمینه تحقیقاتی بسیار خوبی را برای کشف ویژگی های بهینه برای افزایش دقت یادگیری ماشین ایجاد کرده است. پس از انتخاب ویژگی های بهینه، رویکردهای یادگیری ماشین برای ساختن یک سیستم با کیفیت بالا برای تشخیص جنسیت صدا با استفاده از ویژگی های بازیابی شده استفاده می شود. در این پژوهش، یک روش جدید برای تشخیص جنسیت از طریق سیگنال گفتار مبتنی بر الگوریتم بهینه سازی حسابی و ماشین بردار پشتیبان ارائه می شود. مرحله اول، مجموعه داده TIMIT شامل چندین ویژگی است که آزمایش می شوند و مجموعه ویژگی بهینه انتخاب می شود. در این مرحله از الگوریتم بهینه سازی حسابی استفاده می شود. مرحله دوم، نقاط داده به نسبت آموزش-آزمون ۷۰:۳۰ تقسیم می شوند. مرحله سوم، این نقاط داده بر روی مدل مبتنی بر ماشین بردار پشتیبان آموزش و آزمایش می شوند. از Matlab R۲۰۲۳b برای آزمایش های شبیه سازی استفاده شده است. برای ارزیابی روش پیشنهادی، از مجموعه داده TIMIT استفاده شده است. برای ارزیابی اثربخشی رویکرد تشخیص جنسیت طراحی شده، دقت، صحت، فراخوانی و F۱_Score استفاده شده است. دقت روش پیشنهادی نسبت به روش مبتنی بر الگوریتم شاهین هریس، شبکه عصبی مصنوعی و شبکه عصبی NeuraGen به ترتیب به میزان ۲۰.۰۱ درصد، ۱.۹۳ درصد و ۶.۰۶ درصد بهبود یافته است.

کلیدواژه ها:

تشخیص جنسیت ، انتخاب ویژگی ، الگوریتم بهینه سازی حسابی