مقایسه عملکرد روش های نوین کلاسه بندی هجاها مبتنی بر تبدیلات موجک و شبکه های عصبی خود سازنده

هجاها کوچکترین قسمت قابل تشخیص گفتار هستند تقسیم بندیهجاها یک بخش اساسی برای تشخیص گفتار محسوب میگردد دراین مقاله برا ی کلاسه بندی کردن هجاها ازترکیب تبدیل موجک و شبکه عصبی خود سازمانده استفاده شده است دراین کارابتدا نویز سیگنالهاحذف شده و با موجک های مختلف ازسیگنالها تبدیل موجک گرفته شده است درادامه به منظور پیدا کردن دقیق ترین روش برای کلاسه بندی کردن هجاها سه الگوریتم متفاوت کلاسه بندی باهم مقایسه شده اند نتایج نشان میدهد که استفاده ازالگوریتم پیشنهادی بردار انرژی سیگنال و تبدیل موجک HAAR درسطح دوم تقریب برای کلاسه بندی هجاها نتایج بهترباحداقل خطا درتشخیص الگوی ورودی راداراست و ضعف روشهای متداول کلاسه بندی براساس انالیز فرکانسی را پوشش میدهد باتوجه به اینکه محدوده ی فرکانسی صدای انسان بین صفر تا 4کییلوهرتز قراردارد استفاده ازسطح دوم تقریب باعث میشود که باحذف نمونه های فرکانسهایی که درمحدوده ی صوتی انسان نیستند حجم داده ها کاهش می یابد و کلاسه بندی نیاز به زمان پردازش کمتری داشته باشد دراین مقاله برای پیاده سازی این الگوریتم ها ازm-file نویسی درنرم افزار متلب استفاده شده است

کلیدواژه ها:

کلاسه بندی ، تبدیل موجک ، شبکه عصبی خودسازمانده ، انرژی سیگنال صوتی