WOJSKOWA AKADEMIA TECHNICZNA
im. Jarosława Dąbrowskiego
SYSTEMY DIALOGOWE
SPRAWOZDANIE Z ĆWICZENIA nr 3
Temat: Urządzenie automatycznego rozpoznawania sygnału mowy
metodą rozpoznawania wzorców
(projekt dla małego słownika)
Wykonał: plut. pchor. Radosław WOyNIAK
Grupa: I9G1S1
1
1. TREŚĆ ZADANIA
1) Założenia:
- mały słownik wyrazów rozpoznawanych: 10 słów,
- jednostka fonetyczna: całe słowo.
2) Przygotować dane:
- sformułować słownik wyrazów rozpoznawanych;
- dokonać rejestracji wszystkich słów (każde słowo 15-krotnie, w
oddzielnym pliku .wav);
- do rejestracji przyjąć: fs = 22050 Hz, 16 bitów/próbka, kodowanie
PCM, mono;
3) Zdefiniować wzór testowy(obserwacja) (współrzędne wektora obserwacji,
np.: energia, długość liczba próbek, liczba przejść przez zero,
współczynniki FFT (widmo) od 3 do 10, współczynniki LPC, itp.)
4) Opracować procedurę uczenia - utworzyć wzorce słów:
- zdefiniować wzorzec,
- określić ciąg uczący,
- dokonać estymacji parametrów wzorców
5) Opracować procedurę rozpoznawania
6) Dokonać weryfikacji i testowania urządzenia:
- określić ciąg testowy
- wyznaczyć statystyki rozpoznawania (estymatory
prawdopodobieństwa poprawnego rozpoznania, analiza błędów
rozpoznawania)
- zaproponować kierunki zmian w celu poprawienia jakości
zbudowanego urządzenia ARM
Dokonać implementacji urządzenia w środowisku MATLAB.
2
2. WYNIKI
W celu realizacji zadania został sformułowany słownik składający się z 10
wyrazów (nagranych po 15 razy każdy). Zgodnie z zaleceniami każdy wyraz został
zapisany w oddzielnym pliku typu wav. Przy nagrywaniu przyjąłem częstotliwość
próbkowania wynoszącą 22kHz, rozdzielczość 16bitów na próbkę oraz tryb mono.
Nagrane wyrazy to:
beta;
koc;
drukarka;
borowiki;
komputer;
daktyloskopia;
mysz;
rower;
spacja;
wideo;
System rozpoznawania wyrazów został zaimplementowany zgodnie z
uproszczoną strukturą rozpoznawania sygnału mowy metodą rozpoznawania
wzorców.
PROCEDURA
UCZENIA
WZORCE
rozpoznana
UKAAD UKAAD
PORÓWNANIA DECYZYJNY
mowa
tryb rozpoznawania
tryb uczenia
OBSERWA-
CJA
ANALIZA
SYGNAAU
sygnał
mowy
Rys.1. Uproszczona struktura rozpoznawania sygnału mowy metodą
rozpoznawania wzorców.
3
%tryb uczenia
for i=1:L
ocena=0;
for j=1:5
%nazwy plikow ujednolicone
z=wavread([deblank(A(i,:)) int2str(j)]);%nazwy plików odpowiadaja
zawartosci
z=z/max(abs(z)); %wartosci amplitud w zakresie [-1,+1]
dlugosc=length(z); %pomiar dlugosci dzwieku
E=z'*z; %pomiar energii
z1=z(2:dlugosc); %wspolczynnik do wzoru na ppz
z2=z(1:dlugosc-1); %wspolczynnik do wzoru na ppz
PPZ = sum(abs(sign(z1)-sign(z2)))/2; %oblcizenie liczby przejsc
przez zero
MAX=max(abs(z)); %wartosc max
LPC=sum(abs(lpc(z,12))); %wspolczynnik LPC z 12
parametry=[dlugosc,E,PPZ,MAX,LPC]; %wektor obserwacji
parametry=parametry.*wagi; %wymnożenie wektora przez odpowiednie
wagi
ocena=ocena+parametry;
end;
tablica_ocen(i,:)=ocena/5;
end;
tablica_wynikowa=sum(tablica_ocen')*0.05;%dopuszczalna roznica wartosci
elementow miedzy wzorcem testowym i rozpoznowalnym
Rys.2. Listing fragmentu kodu programu odpowiedzialnego za tryb uczenia się
wyrazów przez system.
W trybie testowym do budowy wektora obserwacji wykorzystane zostały takie
wartości jak:
długość sygnału próbki;
energię sygnału:
N
2
E = log
z(n)
n=1
liczbę przejść przez zero PPZ
N
1
PPZ = sign[z(n)]- sign[z(n -1)]
2
n=2
gdzie:
sign[z(n)] = 1 dla z(n)> 0
sign[z(n)] = -1 dla z(n)Ł 0
wartość największą M
M = maxz(n)
1ŁnŁN
współczynniki LPC (p=12);
Po obliczeniu wyżej wymienionych wartości dla każdego słowa wzorcowego,
zostały one wymnożone przez odpowiednie wagi w celu polepszenia ich
charakterystyk.
wagi=[1 0.8 0.5 0.2 0.1]
Kolejne liczby wektora wagi odpowiadają wartością wektora obserwacji.
wagi=[dlugosc, Energia, PPZ, MAX, LPC]
4
Następnie dla każdego wyrazu obliczana jest średnia wszystkich parametrów.
Po zakończeniu etapu uczenia się sumuje tablice ocen i wymnażam przez
współczynnik 0,05, dzięki czemu otrzymuje dopuszczalną różnicę wartości
elementów, którą wykorzystam do porównania wzorca testowego z rozpoznanym.
%tryb rozpoznawania
for i=1:L
for j=6:15
%nazwy plikow ujednolicone
z=wavread([deblank(A(i,:)) int2str(j)]);%nazwy plików odpowiadaja
zawartosci
z=z/max(abs(z)); %wartosci amplitud w zakresie [-1,+1]
dlugosc=length(z); %pomiar dlugosci dzwieku
E=z'*z; %pomiar energii
z1=z(2:dlugosc); %wspolczynnik do wzoru na ppz
z2=z(1:dlugosc-1); %wspolczynnik do wzoru na ppz
PPZ = sum(abs(sign(z1)-sign(z2)))/2; %oblcizenie liczby przejsc
przez zero
MAX=max(abs(z)); %wartosc max
LPC=sum(abs(lpc(z,12))); %wspolczynnik LPC z 12
parametry2=[dlugosc,E,PPZ,MAX,LPC]; %wektor z badanymi wartosciami
parametry2=parametry2.*wagi; %wymnożenie wektora przez odpowiednie
wagi
if sum((tablica_ocen(i,:)-
parametry2)')<=tablica_wynikowa(i)%porownanie wzorca testowego z wyrazami
badanymi
tablica_koncowa(j-5,i)=1; %uzupelnianie tablicy poprawnym
rozpozanniem
end;
end;
end;
display('tablica przedstawiajaca wynik rozpoznania,kolumny to odzielne
wyrazy');
tablica_koncowa
rozpoznane=0;
nie_rozpoznane=0;
for i=1:10
for j=1:10
if tablica_koncowa(i,j)==1 %odczytanie wartosci z tablic w celu
obliczenia rozpoznawalnosci
rozpoznane=rozpoznane+1;
else
nie_rozpoznane=nie_rozpoznane+1;
end;
end;
end;
rozpoznane
nie_rozpoznane
display('Wynik procentowy badania');
zgodnosc=(rozpoznane)/(rozpoznane+nie_rozpoznane)*100%
Rys.3. Listing fragmentu kodu programu odpowiedzialnego za tryb rozpoznawania
wyrazów przez system oraz opracowanie i wyświetlenie wyników.
5
W procesie rozpoznawania podobnie jak w etapie uczenia, także obliczam
poprzednio wymienionych wartości dla każdego słowa rozpoznawanego, oraz w celu
polepszenia wykrywania zostają one wymnożone przez odpowiednie wagi.
Sam etap porównywania wzorca testowego i rozpoznanego polega na
odejmowaniu tablicy zbadanych wyrazów wzorcowych od kolejnych wyrazów
badanych i porównaniu z dopuszczalną różnicę wartości elementów, którą uzyskałem
po etapie uczenia.
Rys. 5. Zrzut ekranu uzyskanych obliczeń i wyników.
Końcowy etap polegał na podliczeniu poprawnych i niepoprawnych
rozpoznań, obliczeniu procentowego rozpoznania wyrazów oraz wyświetleniu
wyników.
6
3. WNIOSKI i SPOSTRZEŻENIA.
Cel ćwiczenia został osiągnięty, ponieważ udało się zaprojektować i wykonać
urządzenie automatycznego rozpoznawania sygnału mowy zgodnie z uproszczoną
strukturą rozpoznawania sygnału mowy metodą rozpoznawania wzorców. Wynik
82% poprawnie rozpoznanych wyrazów jest zadowalający przy wykorzystaniu 5
wskazników. Dzięki temu, że słownik składał się z małej liczby wyrazów,
zdecydowałem się na rozpoznawanie wyrazów w pierwszej kolejności na podstawie
ich długości wartości energii sygnału. Jest to jedna z najłatwiejszych metod przy tak
małej liczbie wyrazów. Jednak wynik nadal nie był wystarczający, dlatego posłużyłem
się także w liczbą przejść przez zero, wartością maksymalną M oraz
współczynnikami LPC. Zapewnie wykorzystanie kolejnych wskazników jak np.
współczynniki FFT (widmo) lub obliczanie energii sygnału dla kolejnych części
wyrazów.
Błędy w wykryciu wyrazów były spowodowane najprawdopodobniej nienajlepszej
jakości sprzętem do nagrywania oraz brakiem odpowiedniego, wyciszonego miejsca
do nagrywania. Niedoskonałości wy wykrywaniu można także poszukiwać w
podobieństwie wykorzystanych wyrazów (ich długości liczby próbek).
W celu poprawy jakości zbudowanego urządzenia można by było oprócz dodania
wyżej wspomnianych wskazników, także spróbować zwiększyć liczbę wzorcowych
wyrazów.
7