تشخیص گفتار از موسیقی با استفاده از شبکه عصبی عمیق

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.

کلیدواژه ها:

تشخیص گفتار از موسیقی - (SMD) ، ویژگیهای طیفی ، ویژگیهای کپستروم مل ، شبکه باور عمیق ، مدل مخلوط گوسی