| نویسندگان | سجاد محمدزاده,مجتبی شریف نوقابی,سیدمحمد رضوی |
|---|---|
| همایش | نوزدهمین کنفرانس ملی سیستم های هوشمند ایران |
| تاریخ برگزاری همایش | ۲۰۲۴-۱۰-۲۳ |
| محل برگزاری همایش | سیرجان |
| شماره صفحات | ۰-۰ |
| نوع ارائه | سخنرانی |
| سطح همایش | داخلی |
چکیده مقاله
شناسایی افراد از روی سیگنال گفتار یکی از روشهای تشخیص بیومتریک است. روش های مختلفی برای پیاده سازی یک سیستم شناسایی گوینده وجود دارد و در سال های اخیر استفاده از شبکه های عصبی عمیق برای این هدف مورد توجه بسیاری از محققان قرار گرفته است. شبکه عصبی بازگشتی یکی از انواع شبکه های عصبی است که در آن از لایه های همچون LSTM و یا GRU به عنوان بخش های حافظه دار و بازگشت کننده استفاده می شود. در این مقاله ما با ترکیب یک شبکه عصبی عمیق با دو لایه GRU) GRU+DNN (یک ساختار جدید به عنوان طبقه بند در سیستم شناسایی گوینده پیشنهاد داده ایم که باعث بهبود قابل توجه در نرخ بازشناسی می شود. ویژگی استخراج شده MFCCs است که به صورت آرایه های سلولی از هر دوره تناوب گفتار Pt استخراج می شود تا به صورت یک بردار sequence به طبقه بند پیشنهادی وارد شود. آزمایش های انجام شده روی پایگاه داده داده LibriSpeech بهبود عملکرد سیستم را نسبت به روش های مورد مقایسه نشان می دهد به طوری که در بعضی از حالات به طور میانگین صحت عملکرد سیستم شناسایی گوینده %۲۶ بهتر می شود.
کلیدواژه‌ها: شناسایی گوینده، شبکه عصبی بازگشتی GRU، شبکه عصبی عمیق، ویژگی MFCCs، ترکیب طبقه بندها.