CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

حذف نویز و استخراج ویژگی های گلوگاه در سطح زیرباند توسط شبکه های خودرمزگذار عمیق برای بازشناسی گفتار

اعتبار موردنیاز : ۱ | تعداد صفحات: ۶ | تعداد نمایش خلاصه: ۳۴۸ | نظرات: ۰
سال انتشار: ۱۳۹۴
کد COI مقاله: SPIS01_011
زبان مقاله: فارسی
حجم فایل: ۱.۳۲ مگابات (فایل این مقاله در ۶ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۶ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله حذف نویز و استخراج ویژگی های گلوگاه در سطح زیرباند توسط شبکه های خودرمزگذار عمیق برای بازشناسی گفتار

  فائزه بنی اردلان - دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران
  احمد اکبری - دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران
  بابک ناصر شریف - دانشکده مهندسی کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی

چکیده مقاله:

بحث مقاوم سازی سیستم های بازشناسی گفتار در برابر نویزهای محیطی به ویژه نویزهای ناایستادن همواره مورد توجه بوده است. یکی از روش های موثر در این زمینه توجه به تاثیرات نویز در سطح زیر باندهای فرکانسی و پردازش در سطح زیرباندی است . از سوی دیگر استفاده از شبکه های عصبی عمیق در سطح مدل سازی آکوستیک و همینطور استخراج و تبدیل ویژگی برای بازشناسی گفتار نیز در سال های اخیر مورد توجه قرار گرفته است. از این رو، در مقاله ی حاضر، پیشنهاد می شود تا از یک شبکه ی عصبی خودرمزگذار کاهنده نویز عمیق برای حذف نویز از زیرباندهای مل استفاده شود که در این راستا استفاده از دو روندآموزش متفاوت برای شبکه مد نظر قرار گرفته است . علاوه بر این، از یک شبکه ی عصبی گلوگاه برای استخراج ویژگی های گلوگاه در سطح زیرباندهای مل استفاده شده است تا با الحاق این ویژگی های گلوگاهی به ویژگی های حذف نویز شده ی حاصل از شبکه ی خودرمزگذار کاهنده ی نویز، یک بردار ویژگی مقاوم نسبت به نویز ایجاد شود . ورودی های شبکه عصبی خودرمزگذار عمیق در هر دو حالت مذکور شامل چندین قاب متوالی گفتار است ، در نتیجه شبکه عصبی عمیق رفتار درازمدت نویز در زیرباندهای مل در طول زمان را نیز می آموزد که منجر به حذف بهتر نویز و همچنین استخراج ویژگی ها گلوگاهی مطلوب تر می شود . آزمایش های انجام شده روی دادگان Aurora2 نشان دهنده این است که افزودن ویژگی های گلوگاهی به ویژگی ها حذف نویز شده در سطح زیر باند بین 1% تا 2/6% بهبود دقت نسبت به حالتی که تنها از ویژگی های حذف نویز شده استفاده شده ، داشته است .

کلیدواژه‌ها:

شبکه ی خودرمز نگار عمیق ، شبکه ی خود رمز نگار کاهنده ی نویز ، ویژگی های گلوگاهی ، حذف نویز در سطح زیر باند

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-SPIS01-SPIS01_011.html
کد COI مقاله: SPIS01_011

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
بنی اردلان, فائزه؛ احمد اکبری و بابک ناصر شریف، ۱۳۹۴، حذف نویز و استخراج ویژگی های گلوگاه در سطح زیرباند توسط شبکه های خودرمزگذار عمیق برای بازشناسی گفتار، اولین کنفرانس بین المللی پردازش سیگنال و سیستم های هوشمند، تهران، دانشگاه صنعتی امیرکبیر، قطب علمی سامانه های پردازش دیجیتال، https://www.civilica.com/Paper-SPIS01-SPIS01_011.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (بنی اردلان, فائزه؛ احمد اکبری و بابک ناصر شریف، ۱۳۹۴)
برای بار دوم به بعد: (بنی اردلان؛ اکبری و ناصر شریف، ۱۳۹۴)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • J. Li, L. Deng, Y. Gong, R. Haeb-Umbacb "An Overview ...
  • S. Ikbal, H. Misra, H. Bourlard. "Phase autocorrelation derived robust ...
  • noise removal for robust speech recognition." in Proc. Eurospeech, pp. ...
  • robust recognition of partially corrupted speech." Signal Processing Letters, IEEE ...
  • Y. Bengio. "Learning deep architectures for ai, " Foundations and ...
  • P.Vincent, et a, "Stacked denoising autoencoders: Learning useful representations in ...
  • Feng, Xue, Y. Zhang, and J. Glass. "Speech feature denoising ...
  • Sui, Chao, R. Togneri, and M. Bemnamoun. "Extracting deep bottleneck ...
  • G. Hinton, et al. "Deep neural networks for acoustic modeling ...
  • Hirsch, Hans-Ginter, and D. Pearce. "The Aurora experimental ...
  • and Research Workshop (ITRW). 2000. ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۱۹۹۷۶
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.