فایل ورد کامل تشخیص مقاوم گفتار به روش دسته ‌بندی نویز

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل تشخیص مقاوم گفتار به روش دسته ‌بندی نویز،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۵ صفحه

۵ نتیجه‌گیری
در این مقاله، ما سعی کردیم بر اساس دسته‌بندی نویز به عنوان اولین مرحله از الگوریتم، مدلی ساده برای تشخیص گفتار ارائه دهیم. همچنین برای دسته‌بندی نویز و گفتار/غیرگفتار، یک بردار ویژگی مقاوم بر اساس PWPT ارائه دادیم.
نتایج آزمایشگاهی برای دسته‌بندی نویز بسیار امیدوارکننده است. ما برای دسته‌بندی پنج نوع نویز بدست آمده از NOISEX-92 به دقت دسته‌بندی ۴/۹۸% دست یافتیم. نتایج آزمایشگاهی بدست آمده برای تشخیص گفتار نشان می‌دهند که عملکرد الگوریتم ارائه شده نسبت به روش‌های سان، OSF و تشخیص گفتار LTSD بهتر است، به خصوص در نسبت سیگنال به نویز پایین. الگوریتم ارائه شده در پنج محیط نویزی به ۱۴/۸۶% Pcs و ۴۴/۸۶% Pcn دست یافته و به چهار سطح سیگنال به نویز (۰، ۵، ۱۰ و ۱۵ دسی‌بل) به طور متوسط دست می‌یابد.
یک موضوع که ما علاقمند به پیگیری آن در آینده هستیم این است که اطلاعات فاز گفتار را در فرایند تشخیص گفتار در نظر بگیریم. همچنین در نظر داریم تا به کمک الگوریتم‌های دسته‌بندی دیگر عملکرد تشخیص گفتار را بهبود دهیم. با در نظر گرفتن انواع نویزها در تشخیص گفتار می‌توان عملکرد آن را در کاربردهای دنیای واقعی بهبود داد. کارهای آتی باید در رابطه با این مسائل انجام گیرد.

عنوان انگلیسی:Robust voice activity detection directed by noise classification~~en~~

۵ Conclusions

In this paper, we have tried to provide a simple model for VAD based on a noise classification as the first step of the algorithm. We have also proposed a new robust feature vector based on the PWPT for both noise and speech/non-speech classification. The experimental results for noise classification have been very promising. We have reached 98.4% classification accuracy to classify five noise types extracted from NOISEX-92. Experimental results for VAD show that the performance of the proposed algorithm is superior to the Sohn’s, OSF, and LTSD VADs, especially in low SNRs. The proposed algorithm has also reached to 86.14% Pcs and 86.44% Pcn in five noise environments and four SNR levels (0, 5, 10, and 15 dB) on average. One aspect that we would like to explore in the future is to consider speech phase information in the feature extraction process. We are also considering improving the VAD performance by using other classification algorithms. Taking into account more noise types in the proposed VAD can improve the performance in real-world applications. Future work should be done on these promising issues.

$$en!!