زهره انصاری - دانشجوی کارشناسی ارشددانشگاه صنعتی امیرکبیر
فرشاد الماس گنج - دانشیار دانشگاه صنعتی امیرکبیر

به منظور بهینه کردن عملکرد سیستم های بازشناسی گفتار اتوماتیک برای رنج وسیعی از گویندگان لازم است این سیستم ها به سرعت با گفتار گوینده جدید تطبیق داده شوند از آنجایی که در سیستم های واقعی معمولا گفتار مربوط به گوینده کاربر کوتاه ودر حد چندین ثانیه است لازم است از روشهای تطبیق به گوینده ای استفاده شود که با وجود داده کم بتوانند درصد بازشناسی را بهبود دهند تحقیقات نشان میدهند الگوریتم های تطبیقی که بر مبنای کاهش بعد فضای گوینده عمل می کنند می توانند با داده تطبیقی کوتاه با درصد بازشناسی بالا و به سرعت عمل تطبیق را انجام دهند دراین روشها انالیز مولفه های اساسی PCA و مشتقات آن به طور گسترده تر نسبت به بقیه الگوریتم های کاهش بعد مورد استفاده قرارگرفته است. دراین مقاله انواع روشهای تطبیق به گوینده ای که در انها الگوریتم PCA یا یکی از مشتقات آن از جمله PPCA,kernel PCA یا 2DPCA به منظور کاهش بعد فضای گوینده به کارگرفته شده معرفی شده و عملکرد آنها با روشهای تطبیق به گوینده متداول از جمله MLLR و MAP مقایسه می شود.

انالیز مولفه های اساسی، تطبیق به گوینده، کاهش بعد، فضای ویژه