استخراج ویژگیهای گفتاری مقاوم به نویز با استفاده از شبکه عصبی درهم پیچش

شبکه های عصبی درهم پیچش به عنوان گروهی از شبکه های عصبی عمیق، در سال های اخیر کاربرد فراوانی در مدلسازی آکوستیک و همچنین استخراج ویژگی و مدل سازی توام در بازشناسی گفتار یافته اند. ورودی این شبکه های عصبی در تحقیقات اخیر، طیف نگار گفتار و یا حتی خود گفتار خام بوده است. در مقاله حاضر، پیشنهاد می شود تا از شبکه عصبی درهم پیچش برای استخراج ویژگی مقاوم به نویز استفاده شود، درحالی که ورودی شبکه عصبی درهم پیچش طیف سیگنال گفتار نویزی و خروجی هدف آن خروجی های متناظر تمیز از بانک فیلتر ملی است. به این ترتیب شبکه عصبی درهم پیچش ویژگی های مقاوم به نویز را از طیف سیگنال گفتار استخراج می نماید. برای یادگیری و استخراج ویژگی بهتر توسط شبکه عصبی درهم پیچش، ساختار و پارامترهای مختلف آن از قبیل اندازه فیلتر درهم پیچش، اندازه ادغام و تعداد نورون ها در هر لایه در کار حاضر مورد بررسی قرار گرفته اند. آزمایش های انجام شده روی دادگان Aurora2 با استفاده از یک سیستم بازشناسی گفتار متشکل از مدل مخلوط گاوسی و مدل مخفی مارکف، نشان می دهند که شبکه های عصبی درهم پیچش عملکرد بهتری در استخراج ویژگی مقاوم به نویز نسبت به شبکه های باور عمیق و خود بانک فیلتر مل دارد، به طوری که میانگین دقت بازشناسی را نسبت به شبکه ی باور عمیق 25 درصد بهبود می دهد