Poboljšano izdvajanje parametara značajki iz govornih signala pomoću algoritma strojnog učenja (2)
May 30, 2023
3.7. Skup podataka Procesi prikupljanja i generiranja skupa podataka izvedeni su na sljedeći način. U ovoj studiji skup podataka sa 120 sati zvuka korišten je za obuku modela. Skup podataka uključuje zvučne zapise govora koji se sastoje od rečenica s najviše 15 riječi ukupne duljine od približno 120 sati.
Pustinjski ginseng
Osim toga, skup podataka uključuje veliku količinu različitog teksta za korištenje u razvoju jezičnog modela. Prikupljeno je više od 90 650 iskaza, 415 780 riječi i 65 810 jedinstvenih riječi koje su uključene u tekstualni korpus, što je rezultiralo s oko 120 sati transkribiranih govornih podataka. Skup podataka dijelimo na skupove za obuku, validaciju i test. Statistika skupa podataka
navedeni su u tablici 3.
Tablica 3. Specifikacije skupa podataka.
Podijelili smo skup podataka u tri mape koje odgovaraju setovima za obuku, validaciju i test. Svaka mapa sadrži zvučne zapise i transkripte. Zvuk i odgovarajući nazivi datoteka transkripcije su isti, osim što su audiosnimke pohranjene kao WAV datoteke, dok su transkripcije pohranjene kao TXT datoteke koristeći UTF-8 kodiranje. Sve transkripcije prikazane su latinicom koja se sastoji od 29 slova i simbola apostrofa. Kako bismo spriječili prekomjerno prilagođavanje, primijenili smo tehnike povećanja podataka temeljene na perturbaciji brzine i spektralnom poboljšanju.
Cistanche deserticola
4. Predložena metoda
Važan zadatak za programere pri razvoju sustava za prepoznavanje govora je stvaranje optimalne metode za parametrijsko izražavanje govornih signala [45]. Ova metoda omogućuje izvrsno razdvajanje zvukova i izgovorenih riječi, a istovremeno osigurava da su govornici neosjetljivi na obrasce izgovora i promjene u akustičnom okruženju. Većina pogrešaka u prepoznavanju riječi uzrokovana je promjenom visine signala zbog pomaka u mikrofonu ili razlike u visini izgovora [46]. Drugi čest uzrok pogrešaka su slučajne nelinearne deformacije oblika spektra, koje su uvijek prisutne u govornom signalu govornika [47,48]. Stoga je jedan od najvažnijih zadataka u stvaranju učinkovitih sustava za prepoznavanje govora odabir reprezentacije koja je dovoljna za sadržaj analiziranog signala, ali i neosjetljiva na glasove govornika i različita akustička okruženja.
Dodatak Cistanche blizu mene-Poboljšanje pamćenja
Sustav koji se koristi za izdvajanje parametara značajki obično ima sljedeće zahtjeve. Sadržaj informacije, odnosno skup parametara obilježja, mora osigurati pouzdanu identifikaciju prepoznatljivih govornih elemenata. Nadalje, glasnoća, odnosno maksimalna kompresija audio signala, te nestatistička korelacija parametara moraju biti minimizirani. Mora se postići i neovisnost o govorniku, odnosno maksimalno uklanjanje informacija koje se odnose na osobine govornika iz vektora znakova. Konačno, mora se osigurati homogenost, koja se odnosi na parametre koji imaju istu prosječnu varijancu i mogućnost korištenja jednostavnih metrika za određivanje afiniteta između skupova znakova [49]. Međutim, nije uvijek moguće udovoljiti svim zahtjevima istovremeno jer su ti zahtjevi kontradiktorni. Parametarski opis govornih elemenata trebao bi biti dovoljno detaljan da ih pouzdano razlikuje i trebao bi biti što je moguće sažetiji.
Superman bilje cistanche
U praksi se govorni signal koji se prima iz mikrofona digitalizira brzinom uzorkovanja od 8 do 22 kHz. Serijske numeričke vrijednosti podijeljene su na govorne fragmente (frameove) u trajanju od 10 do 30 ms, koji odgovaraju kvazistacionarnim govornim dijelovima. Iz svakog se okvira izračunava vektor značajki, koji se zatim koristi na akustičnoj razini prepoznavanja govora. Trenutno je dostupan širok raspon metoda za parametrijsko predstavljanje signala na temelju autokorelacijske analize, hardverskog linearnog filtriranja, spektralne analize i LPC-a. Najčešći pristup za parametrizaciju govora je spektralna analiza fragmenata signala i izračun njihovih kestralnih koeficijenata.
MFCC su korišteni kao informativne značajke za govorni signal [41]. Ove se karakteristike intenzivno koriste u prepoznavanju govora i temelje se na dva glavna koncepta: kepstralnoj i Mel ljestvici. Glavne prednosti algoritma su njegova visoka razina poznavanja i jednostavnost govora. Značajke MFCC odvojene su od snimljenih govornih signala. MFCC algoritam koristi rezultate fonograma i algoritama za prebacivanje spektra. Klasični algoritam koji se koristi za izračunavanje MFCC prikazan je na slici 5.
Slika 5. Klasična shema za izračunavanje MFCC.
Ova studija predstavlja brzu metodu za izdvajanje funkcijskih parametara iz govornog signala. Predloženi algoritam za brzi izračun MFCC prikazan je na slici 6.
Slika 6. Predloženi okvir za izračun MFCC-a.
Razmatramo slijed izvršavanja predloženog algoritma za brzu ekstrakciju parametara funkcije iz govornog signala
4.1. Podjela na okvire
Nakon preliminarnog filtriranja, govorni signal se dijeli na okvire od 16 ms. Svaki okvir (osim prvog) sadrži zadnjih 10 ms prethodnog okvira. Ovaj proces se nastavlja do kraja signala. U ovoj studiji, budući da je brzina uzorkovanja govornog signala 16 kHz, duljina okvira je N=256, a duljina pomaka je M=160. Preklapanje je 62,5 posto duljine okvira. Općenito se preporučuje pokrivenost od 50 posto do 75 posto duljine okvira.
4.2. Hanningov prozor i opadajuće vrijednosti
Korišten je Hanningov prozor veličine 1D. Hanningov prozor također se naziva podignuti kosinusni prozor. Hanningov prozor se može smatrati zbrojem frekvencijskog spektra triju pravokutnih vremenskih prozora. Može koristiti bočne snopove za međusobno poništavanje, eliminirajući visokofrekventne smetnje i curenje energije. Hanningovi prozori su vrlo korisne funkcije prozora.
Dodatak Cistanche blizu mene-Poboljšanje pamćenja
【Tražite više】 E-pošta:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692
Kutija s utezima koristi se za smanjenje izobličenja i glačanje pojedinačnih okvira. Plutajući signal koji se ispituje u ovoj studiji sastoji se od gustog tona. Jačina ravnog tona određena je veličinom čistog tona na frekvenciji f, koji se filtrira kroz Hanningov prozor.
Kritični aspekt ovog prozora je da postavlja granice okvira na nulu. U ovom slučaju, kratke energije se mogu izračunati dok prolaze kroz prozor, a mogu se prenijeti iz niza koji se koristi za izračunavanje energija najniže amplitude. Cilj je ukloniti signale niske energije iz signala izračunavanjem energije signala uz izglađivanje signala iz ovog prozora. Ovaj proces zahtijeva sljedeću jednadžbu energije signala:
gdje je En energija fragmenta ulaznog signala, a xi vrijednost signala.
Osim prozorskog procesa pomoću (11), signal se obrađuje u sljedećem koraku, čime se značajno smanjuje broj vrijednosti koje ulaze u procesor. Slika 7 prikazuje algoritam paralelne obrade.
Veličina prozora predstavlja broj uzoraka i trajanje. To je glavni parametar analize. Veličina prozora ovisi o osnovnoj frekvenciji, intenzitetu i promjenama u signalu.
Slika 7. Algoritam Hanningovog prozora za uklanjanje tihih dijelova. 4.3. Prekidači kratkotrajne Fourierove transformacije (STFT) Postoji intuitivno razumijevanje značenja visoke ili niske visine. STFT je Fourierova transformacija koja se koristi za određivanje sinusne frekvencije i faznog sadržaja lokalnih dijelova signala koji se mijenja tijekom vremena. U praksi, STFT izračun uključuje podjelu duljeg vremenskog signala u kraće segmente jednake duljine, što je omogućeno zasebnim izračunom Fourierove transformacije za svaki kraći segment. To otkriva Fourierov spektar svakog kraćeg segmenta. Signali s diskretnim vremenom su koriste u praksi. Odgovarajuća vremensko-frekvencijska pretvorba je diskretna Fourierova pretvorba, koja opisuje duljinu signala Xn kao reprezentativnu domenu frekvencije kompleksne vrijednosti N koeficijenata. STFT, koji opisuje evoluciju komponenti frekvencije tijekom vremena, jedan je od najčešće korištenih alata za analizu i obradu govora [50]. Slično kao i sam spektar, jedna prednost STFT-a je ta što njegovi parametri imaju fizičku i intuitivnu interpretaciju. STFT se obično vizualizira pomoću logaritamskog spektra 20log10 (X(h, k)). Takvi 2D logaritamski spektri se zatim mogu vidjeti korištenjem toplinske karte poznate kao spektrogram. U trećoj fazi algoritma, STFT spektralni preklopni postupak primjenjuje se na okvire koji prolaze kroz težinski prozor. STFT signala dobiva se otvaranjem prozora i određivanjem DFT-a svakog prozora. Konkretno, transformacija za prozore Xn i Wn ulaznog signala određena je na sljedeći način:
gdje k-indeks odgovara vrijednostima frekvencije, a wn je prozorska funkcija, koja je obično Hanningov prozor ili Gaussov prozor koji je centriran oko nule.
4.4. Mel Transform
U četvrtoj fazi, signal koji se prenosi u frekvencijski pojas dijeli se na raspone pomoću trokutastih fifiltera. Granice fifiltera izračunavaju se pomoću frekvencije krede. Prijelaz na polje frekvencije krede temelji se na sljedećoj jednadžbi:
gdje je f frekvencijski raspon.
Obrnuti prekidač se određuje na sljedeći način:
Uzmite u obzir NN kao broj fifiltara (općenito se koristi 26 fifiltara) i protoka, koliko je visok frekvencijski raspon koji se proučava. Taj se raspon prenosi na Melovu ljestvicu i dijeli na NN ravnomjerno raspoređenih raspona koji se sijeku. Linearne frekvencijski prikladne granice određuju se unutar polja fi, dok su težinski koeficijenti koji se dobivaju na temelju fifiltracije označeni sa H. Nakon toga se fifiltri primjenjuju na kvadrat modula koeficijenata dobivenih iz Fourierove transformacije. Vrijednosti koje se dobiju su logaritamske zahvaljujući sljedećem izrazu:
Algoritam dekompozicije singularne vrijednosti implementiran je u završnoj fazi izračuna MFCC.
5. Eksperimentalni rezultati
Implementirali smo i testirali predloženu metodu u Visual Studio 2019 C plus plus na računalu s CPU-om od 4,90 GHz, 32 GB RAM-a i dva GPU-a Nvidia GeForce 2080Ti, kao što je prikazano u tablici 4. Sustav je testiran u različitim okruženjima uređaja za procijeniti izvedbu metode izdvajanja značajki signala. U eksperimentima, tijekom rada algoritma (slika 8), kada je redoslijed površina signala bio n=15, broj vrijednosti smanjen je za 40-50 posto, a vrijeme obrade povećano za 1. 2-preklop. Posljedično, ovaj algoritam je pokazao značajno veću učinkovitost. Štoviše, ovaj je algoritam omogućio odvajanje i eliminaciju područja tišine pri prolasku kroz Hanningov prozor.
Dostupno je nekoliko mogućih načina za izbjegavanje gubitka propusnosti memorije. Predlažemo novo rješenje koje povećava računalne performanse usklađivanjem veličine signalnih okvira s veličinom bloka predmemorije. Ova vrsta optimizacije može značajno utjecati na ukupnu izvedbu paralelne obrade. Međutim, može se koristiti u digitalnoj obradi signala dijeljenjem signala u okvire kroz implementacije na višejezgrenim procesorima. Međutim, u praksi se odabir obično izvodi u malom omjeru, koji odgovara širini podatkovne sabirnice koja povezuje predmemoriju s glavnom memorijom i veličini njenog bloka. Naša metoda implementira optimalnu upotrebu ovih memorija u paralelnom računanju. Organizacija predmemorije igra bitnu ulogu u algoritmima paralelne obrade pri dijeljenju podataka u tokove. Konkretno, prisutnost efekata vektorske matrice u digitalnoj obradi signala i veličina njihovih tokova treba se prilagoditi prema veličini blokova predmemorije. To se može postići pomoću predložene metode, kao što je prikazano na slici 9.
Tablica 4. Detaljne specifikacije eksperimentalne postavke.
slika 8. (a) Inicijalni dolazni signal i (b) izgled signala nakon primjene predloženog algoritma.
Slika 9. Struktura paralelnog računanja pomoću RK3288 procesora.
U ovom odjeljku raspravljamo o kvantitativnoj analizi za usporedbu performansi različitih sustava. Usporedili smo našu metodu s dobro poznatim algoritmima za prepoznavanje govora koji se temelje na pristupima dubokog učenja. Mjerila evaluacije bitna su za izračunavanje različitih strategija za prepoznavanje govora i procjenu izvedbe različitih pristupa. Iako smo za usporedbu koristili rezultate drugih studija, nismo sigurni jesu li točni jer izvorni kodovi i skupovi podataka ovih metoda nisu javno dostupni kako bi se provjerila stvarna izvedba. Slika 10 prikazuje rezultat uklanjanja tihih dijelova tijekom prolaska fragmenta govornog signala kroz Hanning prozor na temelju predloženog brzog algoritma. Rezultati brzine dobiveni analizom prikazani su u tablici 5.
Slika 10. k vrijednost KNN algoritma (s izborom značajki).
Tablica 5. Eksperimentalni rezultati predložene metode.
Određen je raspon kako bi se pronašao stupanj susjedstva koji daje najbolju vrijednost točnosti u KNN algoritmu. Navedeni raspon pokriva 1–25. Na slici 10. primijenjen je graf KNN algoritma s izborom značajki. Kada je graf ispitan, kada je vrijednost susjedstva bila 1 na početku, točnost treninga bila je mnogo veća od točnosti testa. U KNN algoritmu kreiranom korištenjem značajki odabranih korelacijom, utvrđeno je da točnost modela iznosi 99,15 posto u skupu podataka za obuku i 97,35 posto u skupu podataka za testiranje.
Stopa pogreške riječi (WER) ili stopa pogreške znakova obično se koristi za procjenu točnosti izdvajanja značajki iz govornog signala. Ovo su objektivne matrice koje su korisne za pravednu usporedbu tehnika prepoznavanja. U našim prethodnim studijama [51-56] izračunali smo metrike kao što su F-mjera (FM), preciznost i prisjećanje. FM je ponderirani prosjek koji uravnotežuje mjerenja između stope preciznosti i prisjećanja. Preciznost je omjer broja točno predviđenih pozitivnih opažanja prema ukupnom broju predviđenih pozitivnih opažanja. Prisjećanje je omjer broja točno predviđenih pozitivnih opažanja prema ukupnom broju opažanja u stvarnoj klasi, kao što je naznačeno u (9). Sljedeće se jednadžbe mogu koristiti za izračunavanje prosječne preciznosti i stopa prisjećanja metoda izdvajanja značajki:
gdje TP označava broj istinski pozitivnih, FP označava broj lažno pozitivnih, a FN označava broj lažno negativnih.
FM se izračunava pomoću (10), uzimajući u obzir i preciznost i opoziv.
Prosječni FM, opoziv i preciznost predložene metode bili su 98,4 posto. Lažna detekcija dogodila se u 1,6 posto slučajeva zbog neželjenog šuma signala na mikrofonu. Raspon točnosti modela bio je između 0 i 1, a rezultati metričke procjene postigli su svoje najbolje vrijednosti na 1. Procjena naše metode i drugih nedavno objavljenih metoda izdvajanja značajki govora prikazana je u tablici 6. Isti broj značajki korišteno je za pravednu usporedbu. Analizirano je ukupno 325 govornih uzoraka iz svake skupine od subjekata sa sličnim značajkama. Učinci različitih duljina okvira prema broju fifiltarskih banaka u MFCC-u i različitih duljina okvira u redoslijedu LPC-a također su ispitani za poboljšanu točnost.
Tablica 6. Rezultati kvantitativne točnosti izdvajanja govornih obilježja.
Kao što je ranije spomenuto, WER je najčešća mjera za izvedbu prepoznavanja govora. Izračunava se usporedbom referentne transkripcije s izlazom prepoznavača govora. Na temelju te usporedbe moguće je izračunati broj pogrešaka, koje obično pripadaju trima kategorijama: (1) umetanja kada riječ nije prisutna u referenci u izlazu automatskog prepoznavanja govora (ASR), (2) brisanja kada je riječ propuštena u ASR izlazu i (3) zamjene kada je riječ pobrkana s drugom riječi. WER se može izračunati na sljedeći način.
gdje je S broj zamjena riječi koje su netočno prepoznate, D je broj brisanja, I je broj umetanja, a N je broj riječi u referentnoj transkripciji. Glavni problem u izračunavanju ovog rezultata je poravnanje između nizova od dvije riječi. To se može odrediti dinamičkim programiranjem pomoću Levenshteinove udaljenosti [67].
Na temelju tablice 6 proveli smo statističku analizu kako bismo ukazali na prosječnu točnost uspoređivanih metoda koristeći metriku procjene WER, kao što je prikazano na slici 11. Poboljšani ekstraktor značajki dao je točnost od približno 98,4 posto, dok su drugi pristupi dali točnost između 78 posto i 96 posto . Za usporedbu smo koristili rezultate navedene u relevantnim radovima; međutim, točnost ovih vrijednosti nije lako provjeriti jer izvorni kodovi i skupovi podataka ovih metoda nisu javno dostupni da bi se potvrdila njihova stvarna izvedba. Unatoč tome, u slučaju standardnih scena, predložena metoda je eksperimentalno pokazala da pruža izvrsnu točnost izdvajanja značajki govora smanjenjem vremena računanja, čak i kada su govorni podaci šumoviti ili niske kvalitete.
Slika 11. Kvantitativni rezultati pristupa izdvajanju značajki govornog signala pomoću vertikalnih grafikona.
Štoviše, procijenili smo lažno pozitivne rezultate odabranih metoda. Kao što se može vidjeti na slici 12, predloženi pristup je imao najmanje pogrešaka. Nadalje, visokoučinkovita metoda paralelnog izračunavanja značajno je smanjila pogreške pri odabiru značajke zvučnog signala i izdvajanju. Prekomjerno opremanje bilo je jedan od glavnih problema tijekom obuke i gotovo svi modeli strojnog učenja pate od toga. Pokušali smo smanjiti rizik prekomjernog opremanja pomoću tehnike odabira značajki koja umjesto toga ima za cilj rangirati važnost postojećih značajki u skupu podataka i odbaciti manje važne (ne stvaraju se nove značajke).
Slika 12. Vidljivi rezultati eksperimenata ekstrakcije značajki lažno pozitivnog govornog signala.
Tablica 7 prikazuje rezultate izvedbe metoda koje su korištene u okruženjima za prepoznavanje govora na temelju različitih svojstava. Naš predloženi pristup ne pati od neželjene i nepotrebne pozadinske buke i na njega ne utječu niskokvalitetni ljudski glasovi kao što su promukli glasovi, glasovi proizvedeni s bolnim grlom ili čak zvukovi ljudi s potpunim gubitkom glasa. Naša metoda ima za cilj prevladati probleme neadekvatne opreme za snimanje, pozadinske buke, teških naglasaka i dijalekata te raznih visina u glasu. U normalnom okruženju, najbolji rezultati za točno otkrivanje i izdvajanje izazova govornih značajki dobiveni su korištenjem predložene metode uz smanjeno vrijeme obrade.
Tablica 7. Pregled performansi otkrivanja govornih značajki i izdvajanja pomoću različitih značajki.
Rezultati metoda prepoznavanja govora klasificirani su kao snažni, normalni ili slabi za sedam kategorija. Moćan kriterij pokazuje da algoritam može prevladati sve vrste izazova. Nasuprot tome, normalni kriterij ukazuje na to da algoritam može zakazati u određenim slučajevima jer granice riječi nisu unaprijed definirane. Konačno, slabi kriterij sugerira da je algoritam nepouzdan pod pozadinskom bukom ili vibracijama.
6. Ograničenja
Teško je zaključiti da do sada predložene metode nemaju nedostataka. Naša predložena metoda također može rezultirati pogreškama zbog različitih okruženja s bukom. Kako bismo prevladali ovaj problem, nastojali smo smanjiti broj značajki u skupu podataka stvaranjem novih značajki iz postojećih značajki [69]. Budući da je prekomjerno opremanje bilo jedno od glavnih pitanja za obuku različitih modela tijekom natjecanja, obogaćivanje podataka o obuci dodavanjem uzoraka podataka iz različitih izvora moglo bi biti moguće rješenje za poboljšanje rezultata. Bez obzira na gore navedene probleme, eksperimentalni rezultati otkrili su da je naša metoda bila vrlo robusna i učinkovita za zadatke izdvajanja značajki govora, s prosječnom točnošću od 98,4 posto i FM-om od 99,5 posto.
7. Zaključci
Za sustave za prepoznavanje govora predložen je novi pristup paralelnom računanju visokih performansi koji koristi metodu strojnog učenja. Problemi ubrzanja u strojevima s ograničenim računalnim resursima mogu se riješiti korištenjem distribuiranih sustava. Brzina računanja u sustavima za prepoznavanje signala može se povećati, a performanse višejezgrenih platformi mogu se poboljšati stvaranjem i korištenjem učinkovitih i brzih algoritama. Rezultati pokazuju da predloženi model smanjuje vrijeme obrade i poboljšava točnost izdvajanja značajki za 98,4 posto učinkovitom upotrebom MFCC-a. Uočeno je da su značajke s niskim vrijednostima korelacije izdvojene odabirom značajki također učinkovite u uspjehu modela. Statistička analiza provedena je na prethodno obrađenim podacima, a smislene informacije proizvedene su iz podataka pomoću algoritma strojnog učenja K-nearest Neighbours (KNN).
Buduće studije usredotočit će se na poboljšanje točnosti naše metode korištenjem pristupa dubokog učenja i optimizacijom predmemorije višejezgrenih procesora za otkrivanje i izdvajanje govornih signala bez značajnog gubitka kvalitete. Nadalje, planiramo konstruirati model spektralne analize temeljen na paralelnoj obradi s robusnim performansama analize koji će omogućiti uspostavu ugrađenih uređaja s niskim računalnim resursima koristeći skupove govornih podataka Taris [70] u 3D CNN i 3D U-Net okruženju [71– 75]
Reference
1. Meng, YJ; Liu, WJ; Zhang, RZ; Du, HS Ekstrakcija i prepoznavanje parametara značajke govora na temelju interpolacije. Appl. Mech. Mater. 2014., 602–605, 2118–2123. [CrossRef] 2. Musaev, M.; Rakhimov, M. Ubrzano osposobljavanje za konvolucijske neuronske mreže. U zborniku radova Međunarodne konferencije o informacijskoj znanosti i komunikacijskim tehnologijama (ICISCT) 2020., Taškent, Uzbekistan, 4. – 6. studenog 2020.; str. 1–5. [CrossRef] 3. Ye, F.; Yang, J. Model duboke neuronske mreže za identifikaciju govornika. Appl. Sci. 2021, 11, 3603. [CrossRef] 4. Musaev, M.; Rakhimov, M. Metoda preslikavanja bloka glavne memorije u predmemoriju u paralelnoj obradi govornog signala. U zborniku radova Međunarodne konferencije o informacijskoj znanosti i komunikacijskim tehnologijama (ICISCT) 2019., Karachi, Pakistan, 9. – 10. ožujka 2019.; str. 1–4. [CrossRef] 5. Jiang, N.; Liu, T. Poboljšana segmentacija govora i algoritam klasteriranja temeljen na SOM i k-srednjim vrijednostima. matematika problem inž. 2020, 2020, 3608286. [CrossRef] 6. Hu, W.; Yang, Z.; Chen, C.; Sunce, B.; Xie, Q. Pristup segmentaciji vibracija za sustav višestrukog djelovanja kupole s numeričkim upravljanjem. Video proces slike signala. 2021, 16, 489–496. [CrossRef]
7. Popescu, TD; Aiordachioaie, D. Detekcija kvarova kotrljajućih ležajeva pomoću optimalne segmentacije vibrirajućih signala. Mech. Syst. Proces signala. 2019, 116, 370–391. [CrossRef] 8. Shihab, MSH; Aditya, S.; Setu, JH; Imtiaz-Ud-Din, KM; Efat, MIA Hibridna GRU-CNN tehnika izdvajanja značajki za identifikaciju govornika. U Zborniku radova 2020 23rd Međunarodne konferencije o računalnoj i informacijskoj tehnologiji (ICCIT), Dhaka, Bangladeš, 19. – 21. prosinca 2020.; str. 1–6. [CrossRef] 9. Korkmaz, O.; Atasoy, A. Prepoznavanje emocija iz govornog signala pomoću kestralnih koeficijenata mel-frekvencije. U zborniku radova 9. međunarodne konferencije o inženjerstvu elektrotehnike i elektronike (ELECO), Bursa, Turska, 26. – 28. studenog 2015.; str. 1254–1257. 10. Ayvaz, U.; Gürüler, H.; Khan, F.; Ahmed, N.; Whangbo, T.; Abdusalomov, A. Automatsko prepoznavanje govornika pomoću Cepstralnih koeficijenata Mel-frekvencije kroz strojno učenje. CMC-Comput. Mater. Nastavi 2022, 71, 5511–5521. 11. Al-Qaderi, M.; Lahamer, E.; Rad, A. Dvorazinski sustav identifikacije govornika putem fuzije heterogenih klasifikatora i suradnje komplementarnih značajki. Sensors 2021, 21, 5097. [CrossRef] 12. Batur Dinler, Ö.; Aydin, N. Optimalan skup parametara značajki temeljen na rekurentnim neuronskim mrežama Gated Recurrent Unit za detekciju segmenta govora. Appl. Sci. 2020, 10, 1273. [CrossRef] 13. Kim, H.; Shin, JW Poboljšanje govora s dva mikrofona temeljeno na TF-GSC sa suzbijanjem curenja i oporavkom signala. Appl. Sci. 2021, 11, 2816. [CrossRef] 14. Lee, S.-J.; Kwon, H.-Y. Strategija pretprocesiranja za uklanjanje šuma govornih podataka na temelju detekcije govornog segmenta. Appl. Sci. 2020, 10, 7385. [CrossRef] 15. Rusnac, A.-L.; Grigore, O. CNN-ove arhitekture i metode ekstrakcije značajki za EEG imaginarno prepoznavanje govora. Senzori 2022, 22, 4679. [CrossRef] [PubMed] 16. Wafa, R.; Khan, MQ; Malik, F.; Abdusalomov, AB; Cho, YI; Odarchenko, R. Utjecaj agilne metodologije na uspjeh projekta, s moderirajućom ulogom sposobnosti osobe za posao u IT industriji Pakistana. Appl. Sci. 2022, 12, 10698. [CrossRef] 17. Aggarwal, A.; Srivastava, A.; Agarwal, A.; Chahal, N.; Singh, D.; Alnuaim, AA; Alhadlaq, A.; Lee, H.-N. Dvosmjerna ekstrakcija značajki za prepoznavanje govornih emocija pomoću dubokog učenja. Sensors 2022, 22, 2378. [CrossRef] [PubMed] 18. Marini, M.; Vanello, N.; Fanucci, L. Optimiziranje parametara ekstrakcije značajki ovisnih o govorniku za poboljšanje performansi automatskog prepoznavanja govora za osobe s dizartrijom. Senzori 2021, 21, 6460. [CrossRef] 19. Tiwari, S.; Jain, A.; Sharma, AK; Almustafa, KM Sustav za podršku odlučivanju o kardiološkoj dijagnostici temeljen na fonokardiogramu i više klasa. IEEE Access 2021, 9, 110710–110722. [CrossRef] 20. Mohtaj, S.; Schmitt, V.; Möller, S. Model za identifikaciju govora mržnje temeljen na ekstrakciji značajki. arXiv 2022, arXiv: 2201.04227. 22. Kuldoshbay, A.; Abdusalomov, A.; Mukhiddinov, M.; Baratov, N.; Makhmudov, F.; Cho, YI Poboljšanje metode automatske klasifikacije ultrazvučnih slika koje se koriste na CNN-u. Int. J. Wavelets Multiresolution Inf. Postupak. 2022, 20, 2150054. 22. Passricha, V.; Aggarwal, RK Hibrid dubokog CNN-a i dvosmjernog LSTM-a za automatsko prepoznavanje govora. J. Intell. Syst. 2020, 29, 1261–1274. [CrossRef] 23. Mukhamadiyev, A.; Khujayarov, I.; Đuraev, O.; Cho, J. Metoda automatskog prepoznavanja govora temeljena na pristupima dubokog učenja za uzbečki jezik. Senzori 2022, 22, 3683. [CrossRef] [PubMed] 24. Li, F.; Liu, M.; Zhao, Y.; Kong, L.; Dong, L.; Liu, X.; Hui, M. Ekstrakcija značajki i klasifikacija srčanog zvuka pomoću 1D konvolucijskih neuronskih mreža. EURASIP J. Adv. Proces signala. 2019, 2019, 59. [CrossRef] 25. Chang, L.-C.; Hung, J.-W. Preliminarna studija robusne ekstrakcije značajki govora na temelju maksimiziranja vjerojatnosti stanja u dubokim akustičkim modelima. Appl. Syst. Innov. 2022, 5, 71. [CrossRef] 26. Ramírez, J.; Górriz, JM; Segura, JC Detekcija glasovne aktivnosti. Osnove i robusnost sustava za prepoznavanje govora. U robusnom prepoznavanju i razumijevanju govora; Grimm, M., Kroschel, K., ur.; I-TECH Education and Publishing: London, UK, 2007.; str. 1–22. 27. Oh, S. Metoda robusnog izdvajanja značajki govora i uklanjanja šuma signala temeljena na DNN-u korištenjem poboljšanog LMS filtra za predviđanje prosjeka za prepoznavanje govora. J. Converg. Inf. Technol. 2021, 11, 1–6. [CrossRef] 28. Abbaschian, BJ; Sierra-Sosa, D.; Elmaghraby, A. Tehnike dubokog učenja za prepoznavanje govornih emocija, od baza podataka do modela. Senzori 2021, 21, 1249. [CrossRef] 29. Rakhimov, M.; Mamađanov, D.; Mukhiddinov, A. Paralelni pristup visokih performansi obradi slike u distribuiranom računalstvu. U Zborniku radova 2020. IEEE 14. međunarodne konferencije o primjeni informacijskih i komunikacijskih tehnologija (AICT), Uzbekistan, Taškent, 7. – 9. listopada 2020.; str. 1–5. [CrossRef] 30. Abdusalomov, A.; Mukhiddinov, M.; Đuraev, O.; Khamdamov, U.; Whangbo, TK Automatsko izdvajanje istaknutih objekata na temelju lokalno prilagodljivog praga za generiranje taktilne grafike. Appl. Sci. 2020, 10, 3350. [CrossRef] 31. Abdusalomov, A.; Whangbo, TK Poboljšanje metode prepoznavanja prednjeg plana korištenjem tehnike uklanjanja sjene za unutarnja okruženja. Int. J. Wavelets Multiresolution Inf. Postupak. 2017, 15, 1750039. [CrossRef] 32. Abdusalomov, A.; Whangbo, TK Detekcija i uklanjanje sjena pokretnih objekata korištenjem informacija o geometriji i boji za videostreamove u zatvorenim prostorima. Appl. Sci. 2019, 9, 5165. [CrossRef] 33. Mery, D. Računalni vid za ispitivanje X-zrakama; Springer International Publishing: Cham, Švicarska, 2015.; str. 271, ISBN 978-3319207469. 34. Mark, S. Govorne slike ponovno kalibriraju granice percepcije govora. Pozornost. Percept. Psychophys. 2016, 78, 1496–1511. [CrossRef] 35. Mudgal, E.; Mukuntharaj, S.; Modak, MU; Rao, YS Prepoznavanje govora u stvarnom vremenu temeljeno na predlošku pomoću digitalnih filtara na DSP-TMS320F28335. U Zborniku radova Četvrte međunarodne konferencije o upravljanju i automatizaciji računalnih komunikacija 2018. (ICCUBEA), Pune, Indija, 16. – 18. kolovoza 2018.; str. 1–6. [CrossRef]
