تطبیق با گوینده در شبکه های عصبی عمیق با استفاده از تحلیل عامل

در سال های اخیر، شبکه های عصبی عمیق کاربرد فراوانی در بازشناسی گفتار و به ویژه مدل سازی آکوستیک یافته اند. این شبکه ها یا در ترکیب با مدل مخفی مارکف و یا بطور مستقل برای مدل سازی آکوستیک استفاده شده اند. نیاز به تطبیق با گوینده در بازشناسی گفتار و مدل سازی آکوستیک سبب شده است تا روش های متنوعی برای تطبیق سیستم های بازشناسی گفتار با گوینده هم در مدل های مبتنی بر مخلوط گاوسی و هم در مدل های مبتنی بر شبکه های عصبی عمیق پیشنهاد شوند. روش تحلیل عامل روشی برای تطبیق گوینده است که اخیرا مورد توجه قرار گرفته است. در مقاله حاضر روشی مبتنی بر تحلیل عامل در حوزه ی شبکه های عصبی عمیق، برای تطبیق با گوینده پیشنهاد شده است. به این ترتیب که دو شبکه عصبی عمیق گلوگاه برای بازشناسی واج و بازشناسی جنسیت گوینده بطور جداگانه آموزش میبینند. سپس لایه های گلوگاه این دو شبکه، به عنوان ویژگی و بازنمایی توصیفگر واج و جنسیت، و به عنوان دو عامل متفاوت با هم ترکیب می شوند. سپس با افزودن لایه های جدید بعد از این دو لایه گلوگاه، یک شبکه ای عصبی عمیق واحد برای بازشناسی واج آموزش می بیند. علاوه بر اینکه با بکارگیری توابع فعالیت مختلف در شبکه ای عصبی عمیق، عملا بر تنوع عامل ها افزوده شده است. ارزیابی بر روی دادگان TIMIT نشان می دهد که با ترکیب این دو عامل و در نظر گرفتن عامل جنسیت، دقت بازشناسی واج و سه واج افزایش می یابند.

کلیدواژه ها:

شبکه ی عصبی عمیق ، تطبیق با گوینده ، تحلیل عامل ، ویژگی های گلوگاه ، بازشناسی گفتار