Nutq signallari belgilar toplamini shakllantirishning mfcc usuli

Аннотация

Hozirgi kunda nutqni tanib olish masalasi jadal o‗rganilmoqda. Ko‗plab tadqiqotchilar nutqni tanib olishning bir qancha usullari bo‗lishiga qaramay, nutq beglilar to‗plamini shakllantirish uchun signalni qayta ishlash usullarini ham rivojlantirishni davom ettirishmoqda. Bunin asosiy sabablaridan biri mavjud usullarning etarli darajada samara bermayotganligi hisoblanadi. Ushbu maqola shaxsni ovozi asosida tanib olishda keng qo‘llaniladigan beglilar to‗plamini shakllantirishning MFCC(Mel Frequency Cepstral Coefficients) usuliga bag‗ishlangan bo‘lib, unda MFCC belgilar to‘plamini shakllantish algoritmi bosqichlari ko‘rib chiqilgan. Kalit so‗zlar: signal, nutq, belgi, MFCC, LPCC, PLP, MSFB, gradient. Hozirgi kunda nutq signallariga raqamli ishlov berish, nutq signallari asosida shaxsni tanib olish, nutqni matnga o‗tkazish masalalari dolzarb bo‗lib qolmoqda. Nutq bilan bog‘liq tizimlar tibbiyot, ishlab chiqarish, qishloq xo‗jaligi va biznesning turli sohalarida keng qo‗llanilmoqda, jumladan, klinikada shifokor tomonidan elektron kartaga kiritiladigan tashxislar yoki telefondagi interaktiv ilovalarda nutqni avtomatik aniqlash va sintez qilish kabi tizimlar. Nutq insonlar muloqotini qulay tabiiy shakli bo‗lib, uni tanib olish- kompyuter dasturlari yordamida so‗zlar ketma-ketligiga o‗tkazishdan iborat. Nutqni tanib olish - bu nutq signalini matnli ma‘lumotlarga o‘tkazishning avtomatik jarayonidir. Teskari jarayon esa - nutq sintezi deb ataladi. Hozirgi kunda nutq signallari belgilarini shakllantirishning ko‗plab usullari mavjud. Masalan, LPCC, PLP, MSFB, MFCC va boshqalar[2]. Quyida shaxsni ovozi asosida tanib olishda keng qo‘llaniladigan beglilar to‗plamini shakllantirishning MFCC usuli va uni joriy etish bosqichlari ko‘rib chiqiladi. MFCC - bu signal spektrining ixcham ko‗rinishi (to‗lqin shakli cheksiz sonli sinusoidalarning yig‘indisi bilan ifodalanganda) bo‘lib, uning algoritmi 1-rasmda keltirilgan[1]. 179 1-rasm. MFCC algoritmi Diskretlash: Ushbu bosqichda kirish signalini analog signaldan raqamli signalga16 kHz namuna olish chastotasi bilan almashtirish amalga oshiriladi. Freymlarga ajratish: bunda nutq signalini freymlarga ajratish uchun qo‗llanilishi mumkin bo‗lgan audio signalni 16 kHz chastotada yozilgan 1 sekund misolida ko‗rib chiqiladi. Odatda 25 ms(millisekund) davomiylikdagi audio signal 400 ta namunadan tashkil topadi. Masalan, davomiyligi 10 ms bo‗lgan audio signal bir vaqtning o‗zida 160 ta namunadan iborat oynani anglatadi. Bunda har bir oyna uchun 0,025 * 16000 = 400 ta namuna, 0,01 * 16000 = 160 ta namuna hosil bo‗ladi. Natijada har bir freymning kengligi 25 ms bo‗lgan va 2-rasmda keltirilgan 100 ta freymlarga ajratiladi[3]. 2-rasm. Nutq signalini freymlarga ajratish Xemming oynasi: Birinchi 400 ta namuna 0 dan boshlanganligi sababli, keyingi 400 ta namuna 160 dan boshlanadi, ya‘ni 240 ta namuna bir-biriga mos keladi. 3-rasm. Xemming oynasi Odatda Xemming oynasidan nutq bilan bog‘liq masalalarni yechishda foydalaniladi. Xemming oynasi yordamida signal quyidagi formula orqali almashtiriladi: wn0.540.46cos   , 0 n N (1)  N  Diskret Furye almashtirish (DFA): Diskret Furye almashtirishni qo‗llash orqali signalni vaqtli sohadan chastota sohaga o‘tkaziladi. Nutq signallari uchun chastotali sohada tahlil qilish 180 vaqtli sohaga nisbatan qulaydir. Vaqt signali uchun Furye almashtirish quyidagi formula orqali amalga oshiriladi[5]: N j2kn Hkxne N , 0k  K (2) n1 bu yerda: xn- vaqt sohasidagi signal, N - n ta namunadan iborat oyna uzunligi, K - DFA uzunligi. Quvvat spektori namuna energiyasining formulasi quyidagicha olinadi: 1 2 P(k)  H(k) (3) i N Mel-filtr bankini qo‗llash: 20-40 (26 ta standart) uchburchak filtrlar toʻplami boʻlib, filtr bankining energiyalarini hisoblash uchun har bir filtr bankini quvvat spektriga ko‗paytiriladi va koeffitsientlarni hosil qilinadi. Bu amalga oshirilgandan so‗ng, har bir filtr bankida qancha energiya borligi haqida ma‘lumot beruvchi 40 ta son olinadi. 4-rasm. Mel-filtr banklari. Filtrlar soni 26 ta Mel-filtr bankini quyida formula orqali hisoblanadi: f mel(f) 1127 ln(1 ) (4) 700 Logarifmlash: Inson past chastotadagi o‘zgarishlarni yuqori chastotadagi o‗zgarishlarga nisbatan aniqroq sezadi. Logarifmlash shunga o‗xshash xususiyatga ega. Kirishning x past qiymatida log funksiyasining gradienti yuqori bo‗ladi, lekin kirishning yuqori qiymatida gradient qiymati kichikroq bo‗ladi. Bu esa inson eshitish tizimiga mos Mel-filtr chiqishiga logarifmlashni qo‗llash imkonini beradi. Diskret kosinus almashtirish: Ushbu bosqichda oldingi bosqichdagi chiqish uchun teskari o‗zgartirish amalga oshiriladi. MFCC usuli diskret kosinus almashtirishni qo‗llaganidan so‘ng signalni 12 koeffitsienti hosil bo‘ladi. Olingan belgilar (har bir freym uchun 12 ta raqam) Mel-chastotali kepstral koeffitsientlar deb ataladi, ya‘ni MFCC usuli nutq signali uchun kirish sifatida olinayotgan audio signalning har bir freymdan 12 ta belgi ajratadi[6]. Olib borilgan tajribalar shaxs