استخراج مولفه های مستقل غیر خطی سیگنال گفتار

مطالعات بر روی نحوه ادراک گفتار انسان نشان می دهد که مغز انسان به وقایع خاصی در سیگنال گفتار حساسیت بیشتری نشان می دهد و این نواحی حاوی اطلاعات متمایزکننده مفیدی برای واحدهای صوتی پایه است. ماهیت این وقایع بعنوان واحدهای پایه واقعی حاوی اطلاعات غنی و مهم گفتار، از نظر زبان شناسی و مهندسی در دست بررسی است. از سوی دیگر در بررسی جنبه های زیستی ادراک گفتار توسط مغز انسان دیدگاههایی وجود دارد که نشان دهنده آن است که اطلاعات دریافتی مغز، خلاصه شده و چکیده هایی از آن بصورت مولفه های اساسی ادراک به نواحی بالاتر مغز ارسال می شوند و برخی از قوانین محلی آنالیز مولفه های مستقل در تحلیل آنها بکار گرفته می شود. این مطالب موید ایده روش استفاده از مولفه های اساسی و مستقل است که بتواند اطلاعات نواحی پراهمیت سیگنال گفتار را استخراج کند. در این تحقیق بر خلاف سایر روش هایی که بصورت باسرپرستی و بر مبنای دانش افراد خبره مثلاً نواحی گذرا و ایستان و یا وقایع و حالات گفتار را بعنوان نشانه های گفتار در نظر می گیرند، با استفاده از شبکه های عصبی بصورت بدون سرپرستی به شبکه این امکان را می دهیم تا نواحی پراطلاعات سیگنال گفتار را بطور خودکار استخراج کند. پس از استخراج مولفه ها با بهره گیری از راهکارهای مختلف به بررسی ماهیت این مولفه ها می پردازیم تا روشن شود که این مولفه ها بیان کننده چه اطلاعاتی از سیگنال گفتار هستند. ابتدا با کمک روشهای pca آماری ، مولفه های متعامد گفتار و سپس با استفاده از شبکه عصبی جلوسوی سه لایه پنهان با لایه گلوگاه، مولفه های اساسی خطی و غیرخطی در حالت استاتیک (تک فریم در ورودی ) استخراج شده اند. همچنین جهت بررسی مولفه های حالت دینامیک گفتار، استخراج مولفه ها با ورودی 15 فریم نیز انجام شده است.در هر دو حالت استاتیک و دینامیک تعداد واحدهای لایه پنهان متغیر انتخاب شده اند. سپس جهت بررسی ماهیت این مولفه ها و میزان انطباق آنها با واحدهای نشأت گرفته از دانش زبان شناختی نظیر آواها آنالیزهای مختلفی انجام شده و میزان کارآیی مولفه ها بررسی شده است. راهکارهای بکار گرفته در این قسمت عبارتند از : بازسازی پارامترها در خروجی و شنیدن سیگنال گفتار بازسازی شده از آن، محاسبه درصد صحت بازشناسی آوا به ازای تعداد مولفه های مختلف استخراج شده ، رسم فضای پارامترهای بازنمایی ورودی و مانیفولد تصویرشده آن در فضای خروجی، بررسی مقادیر آنالوگ کدهای لایه پنهان و یافتن ارتباط بین مقادیر استخراج شده و مفاهیم آشنای گفتار فارسی. بررسی ها نشان می دهد که در روش pca غیرخطی مولفه اول استخراج شده نشان دهنده ویژگی واکدار یا بی واک بودن گفتار است و مولفه دوم سعی دارد که بین واکه ها تمایز قرار دهد. همچنین بعلت شکل گیری مانیفولد غیرخطی، میزان اطلاعات عبوری به ازای یک نورون در لایه گلوگاه قابل توجه است. در تعلیم شبکه pca غیرخطی مولفه های اساسی غیرخطی به ترتیب بزرگی شکل می گیرند و سبب افت پله ای منحنی خطا می شوند. اگر سیگنال گفتار را ترکیبی از منابع و فاکتورهای مجزا در نظر بگیریم، با استفاده از روشهای استخراج مولفه های مستقل می توانیم به منابع اولیه تولید گفتار دست یابیم و آنها را بعنوان مولفه های پایه گفتار برگزینیم. بدین منظور مولفه های مستقل خطی و غیرخطی گفتار با استفاده از روش های شبکه عصبی استخراج شده اند و در هر مرحله مزایا و مشکلات روشها مورد بررسی قرار گرفته است.