Reconhecimento de fala utilizando modelos de Markov escondidos (HMM's) de densidades contínuas.
Nesta dissertação é realizado um estudo teórico e a implementação em software de um sistema de reconhecimento de fala baseado em Modelos de Markov Escondidos (Hidden Markov Models - HMM's). HMM é uma ferramenta matemática que possibilita um modelamento dos sons da fala em termos de uma estrutur...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 1994 |
| País: | Brasil |
| Institución: | Universidade Católica de Brasília (UCB) |
| Repositorio: | Repositório Institucional da UCB |
| Idioma: | portugués |
| OAI Identifier: | oai:localhost:riufcg/2500 |
| Acceso en línea: | http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/2500 |
| Access Level: | acceso abierto |
| Palabra clave: | Processamento Digital de Voz Reconhecimento de Voz Fala - Reconhecimento Densidades Contínuas Fala Contínua - Reconhecimento Modelos de Markov Escondidos - HMM'S Sistema de Reconhecimento de Fala Modelagem da Voz Modelagem Computacional HMM's - Cinco Estados e FDP's Contínuas Coeficientes Cepstrais Logaritmo da Energia Segmental Algoritmo de Baum-Welch Algoritmo de Viterbi Reconhecimento Independente do Locutor Reconhecimento Dependente do Locutor Voice Modeling Processamento de Sinais de Voz Voice Recognition Speech Recognition System Processing of Voice Signals Ciência da Computação. |
| Sumario: | Nesta dissertação é realizado um estudo teórico e a implementação em software de um sistema de reconhecimento de fala baseado em Modelos de Markov Escondidos (Hidden Markov Models - HMM's). HMM é uma ferramenta matemática que possibilita um modelamento dos sons da fala em termos de uma estrutura probabilística. Para tanto, utiliza-se, neste trabalho, HMM's do tipo left-right de cinco estados e fdp's contínuas, para representar a probabilidade dos vetores de observações em cada estado da cadeia de Markov. Os vetores de observações, de dimensão nove, são formados por oito coeficientes cepstrais e o logaritmo da energia segmentai como o nono parâmetro. O sistema H MM é composto de duas etapas: treinamento e classificação. Na fase de treinamento, o algoritmo de Baum-Welch é utilizado para reestimar os valores finais dos modelos. Por outro lado, na fase de classificação, utiliza-se o algoritmo de Viterbi para fornecer o valor da máxima verossimilhança entre a sentença de teste e os HMM's de referência. A avaliação do sistema proposto é realizada considerando-se dois diferentes modos de reconhecimento: o reconhecimento independente do locutor e o reconhecimento dependente do locutor. Em ambos os casos, especialmente para o modo de reconhecimento dependente do locutor, as avaliações realizadas levam a resultados bastante satisfatórios, considerando-se as condições gerais de experimentação. Além disso, várias conclusões importantes são obtidas para uma posterior otimização do sistema proposto. Finalmente, espera-se que este trabalho contribua de forma positiva para a motivação de novos estudos no campo da comunicação vocal homem-máquina. |
|---|