ارایه یک مدل قطعه بندی نرم برای مدلسازی کشش زمانی در سیستمهای بازشناسی واج

یکی از پیش فرضهای اولیه مدل مارکوف پنهان، اعمال توزیع آماری هندسی به کشش زمانی بردارهای هر حالت مدل مارکوف پنهان است که به وضوح با طبیعت مساله سازگار نیست. مدلهای قطعه ای اتفاقی و به طور خاص مدل مارکوف پنهان قطعه ای تا حدی این مشکل را به ازای پیچیدگی بیشتر در مراحل آموزش و بازشناسی حل می کند. در مقابل، مدلهای شبکه عصبی و مدل ادراک گفتار دانشگاه ام آی تی از این مدلسازی چشم پوشی کرده اند. در این مقاله، شیوه ای جدید برای مدلسازی اثر کشش زمانی در هر حالت پیشنهاد شده که ایده اصلی آن در نظر گرفتن اثر قطعات (حالات) آکوستیکی همسایه در تخمین پارامترهای آماری هر قطعه آکوستیکی است. این مدلسازی نه تنها به مقاوم شدن الگوریتم در مقابل تعیین غیردقیق مرز قطعات انجامیده، بلکه تبدیل تدریجی قطعات را نیز در طول زمان مدلسازی کرده است. این ایده به صورت تحلیلی فرمولبندی شده و بر روی بانک اطلاعاتی تیمیت به ازای دسته های مختلف واج آزموده شده است. همچنین روش پیشنهادی با استفاده از سه الگوریتم بازشناسی، آزموده و بهینه سازی شده و نتایج به دست آمده در شرایط مختلف مقایسه شده است. نتایج به دست آمده حاکی از کاهش قابل توجه زمان بازشناسی است، در حالی که دقت بازشناسی نیز افزایشی جزیی نشان می دهد که نشانگر انطباق بهتر مدل با طبیعت گفتار نسبت به مدلهای دیگر است.