intTypePromotion=1
ADSENSE

Đánh giá hiệu năng một số mô hình học máy thống kê với vấn đề nhận dạng thanh điệu tiếng Việt nói

Chia sẻ: Wang Ziyi | Ngày: | Loại File: PDF | Số trang:6

10
lượt xem
0
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài báo đề xuất phương pháp nhận dạng thanh điệu tiếng Việt nói sử dụng mô hình K láng giềng gần nhất KNN (K-Nearest Neighbor) phân tích khác biệt tuyến tính LDA (Linear Discrimination Analysis), phân tích khác biệt toàn phương QDA (Quadratic Discrimination Analysis), bộ phân lớp hỗ trợ véc tơ SVC (support vector classifier) và máy hỗ trợ véc tơ SVM (Support Vector Machine). Theo các nhà ngôn ngữ học, thanh điệu tiếng Việt có đặc tính siêu đoạn, tồn tại trên cả âm tiết. Mời các bạn cùng tham khảo!

Chủ đề:
Lưu

Nội dung Text: Đánh giá hiệu năng một số mô hình học máy thống kê với vấn đề nhận dạng thanh điệu tiếng Việt nói

  1. HộiHội Thảo Quốc Thảo GiaGia Quốc 2015 2015vềvềĐiện ĐiệnTử, Tử,Truyền TruyềnThông CôngNghệ Thông và Công NghệThông ThôngTinTin (ECIT (ECIT 2015) 2015) ánh giá hiu nng mt s mô hình hc máy thng kê vi vn  nhn dng thanh iu ting Vit nói Nguyn Hng Quang, Trnh Vn Loan Vin Công Ngh Thông Tin và Truyn Thông, Trng i hc Bách khoa Hà Ni Email: quangnh@soict.hust.edu.vn, loantv@soict.hust.edu.vn Abstract— Bài báo  xut phng pháp nhn dng thanh iu thanh iu dài). Nh vy nu so sánh vi hai ngôn ng trên thì ting Vit nói s dng mô hình K láng ging gn nht KNN (K- ting Vit là ngôn ng có cu trúc thanh iu phc tp nht. Nearest Neighbor) phân tích khác bit tuyn tính LDA (Linear iu này làm cho vic nhn dng thanh iu ting Vit tr nên Discrimination Analysis), phân tích khác bit toàn phng QDA khó khn hơn. (Quadratic Discrimination Analysis), b phân lp h tr véc t Hin nay, các h thng tng hp và nhn dng ting nói SVC (support vector classifier) và máy h tr véc t SVM (Support Vector Machine). Theo các nhà ngôn ng hc, thanh ang c phát trin rt mnh trên th gii. Các h thng này iu ting Vit có c tính siêu on, tn ti trên c âm tit. s óng vai trò quan trng trong vic thc hin tơng tác Trong nghiên cu này, chúng tôi tin hành th nghim nhn ngi-máy (human-machine) hoc tơng tác máy-máy dng thanh iu theo hai quan im: thanh iu tn ti trên c (machine-to-machine) trong tơng lai. Nghiên cu các h âm tit và thanh iu ch tn ti trên phn hu thanh ca âm tit. thng tơng tác nh vy ang c thc hin bc u vi Các tham s s dng cho nhn dng thanh iu gm có nng ting Vit. Vì vy nhn dng thanh iu cho các ngôn ng có lng và tn s c bn ca ting nói.  nhn dng, các tham s thanh iu trong ó có ting Vit là mt vn  quan trng, này c chun hóa theo thi gian. Kt qu c th nghim mang tính thi s hin nay. trên 6221 t phát âm ri rc ca ting Vit vi 3 ngi nói. Các Bên cnh ting Vit, ting ph thông Trung Quc và ting th nghim c thc hin theo phng pháp so sánh chéo (cross-validation). Các kt qu th nghim cho thy quan im Thái Lan cng là các ngôn ng có thanh iu. Vi c hai ngôn coi thanh iu ch tn ti trên phn hu thanh ca âm tit cho ng này, Yang, W. [3], Charnvivit, P. [4] và cng s ã s kt qu nhn dng cao hn so vi quan im coi thanh iu tn dng tn s cơ bn  làm tham s s dng cho quá trình nhn ti trên c âm tit. Ngoài ra, trong các phng pháp nhn dng dng thanh iu. Kt qu ca các nghiên cu này cho thy F0 c th nghim, phng pháp QDA cho kt qu nhn dng cao là mt tham s hiu qu khi s dng mô hình HMM  biu nht. din cho thanh iu. Trong nhng nm gn ây, ã có mt s công trình nghiên Keywords- thanh iu ting Vit, nhn dng thanh iu, tn s cu nhn dng ting Vit nói trong ó có b sung thông tin v c bn F0, phân tích khác bit tuyn tính, phân tích khác bit toàn phng, K láng ging gn nht, máy h tr véc t. thanh iu. Lê Vit Bc và cng s [9][12] s dng phơng pháp thích nghi t mt ngôn ng không có thanh iu (ting I. GII THIU Pháp)  xây dng mô hình cho ting Vit. Trong khi ó, V Hi Quân [10], V Ngc Thng [11] và cng s li b sung tn Khác vi phn ln các ngôn ng trên th gii, ting Vit là s cơ bn F0 nh mt tham s cùng vi các tham s MFCC  mt trong các ngôn ng có thanh iu. Vi loi ngôn ng này, dùng làm tham s c trng cho tng khung ting nói. ng ngha ca âm tit s thay i khi thay i thanh iu ca Mt hng nghiên cu khác là tách ri, thc hin song âm tit ó [1]. Hai yu t chính  phân bit bao gm cao  và song nhn dng âm tit cơ bn (âm tit coi nh không có thanh mc  bin thiên phc tp ca thanh iu. Các thanh iu iu) vi nhn dng thanh iu riêng r. Nguyn Hng Quang c phân bit vi nhau ch yu qua qui lut bin thiên theo và cng s [14] ã s dng các tham s MFCC, F0  xây thi gian ca tn s cơ bn F0. Ting Vit bao gm 6 thanh dng mô hình HMM nhn dng cho thanh iu ting Vit. iu: thanh ngang, thanh sc, thanh huyn, thanh hi, thanh ngã Tuy nhiên, cha có nhng kt qu rõ rt  c gng th và thanh nng. Các thanh iu này có th c phân chia theo nghim nhn dng thanh iu ting Vit theo phơng pháp cao : 3 thanh iu cao và 3 thanh iu thp và phân chia theo biu din mi thanh iu bng mt véc tơ tham s, cng nh  t gãy (lut bng-trc): 4 thanh iu bin thiên ơn iu nghiên cu nh hng trc tip ca ng cong F0 n kt qu (thanh bng) và 2 thanh iu t gãy (thanh trc). So vi mt nhn dng thanh iu. Bài báo này s thc hin nghiên cu s ngôn ng có thanh iu khác nh ting ph thông Trung nhng vn  trên. Quc (Mandarin) thì Mandarin ch có 4 thanh iu trong ó ch Phn còn li ca bài báo c t chc nh sau: có 1 thanh iu t gãy [3]. Ting Qung ông Trung Quc có • Phn II mô t chi tit c im ca h thng thanh iu ti 9 thanh iu, song tt c các thanh iu này u là các thanh ca ting Vit. iu bin thiên ơn iu và phân bit vi nhau  3 cao  và  • Phn III phân tích u im và nhc im ca các dài ca thanh iu (thanh iu ngn, thanh iu trung bình và phơng pháp nhn dng ã c áp dng: phân tích khác bit tuyn tính LDA (Linear Discrimination ISBN: 978-604-67-0635-9 342 342
  2. HộiHội Thảo Quốc Thảo Gia Quốc Gia2015 2015về vềĐiện Điện Tử, Tử,Truyền Truyền Thông vàCông Thông và CôngNghệ Nghệ Thông Thông TinTin (ECIT (ECIT 2015) 2015) Analysis), phân tích khác bit toàn phơng QDA Cao  Thanh bng Thanh trc (Quadratic Discrimination Analysis), K láng ging gn Cao Thanh ngang Thanh sc Thanh hi nht KNN (K-Nearest Neighbor), b phân lp h tr Thp Thanh huyn Thanh nng Thanh ngã véc tơ SVC (support vector classifier) và máy h tr véc tơ SVM (Support Vector Machine). III. CÁC PHƠNG PHÁP TH NGHIM NHN DNG • Phn IV trình bày các kt qu th nghim nhn dng Trong bài báo này,  thc hin nhn dng thanh iu ting thanh iu và phân tích ánh giá các kt qu thu c. Vit, chúng tôi s dng các phơng pháp: K láng ging gn • Kt lun và hng phát trin c a ra trong phn nht KNN (K-Nearest Neighbor), phân tích khác bit tuyn V. tính LDA (Linear Discrimination Analysis), phân tích khác bit toàn phơng QDA (Quadratic Discrimination Analysis), s II. C IM THANH IU CA TING VIT dng b phân lp h tr véc tơ SVC (support vector classifier) Trong phơng ng Bc ca ting Vit (c coi là phơng và máy h tr véc tơ SVM (Support Vector Machine). ng chun ca Vit Nam) có 6 thanh iu khác nhau: ngang, Phng pháp phân tích khác bit tuyn tính LDA: huyn, sc, nng, hi, ngã. Các thanh iu này thng c Gi s các i tng thuc vào K lp. k là xác sut tiên các nhà ngôn ng hc phân bit vi nhau thông qua ng biu nghim  mt i tng n t lp th k.  =   = din tn s cơ bn F0 ca thanh iu (Hình 1). Trong cách vit, | =  là hàm mt  xác sut  i tng X ly giá tr x mi thanh iu c biu din bng mt du c bit, tr thanh khi ang  lp th k, gi nh  là hàm chun Gauss nhiu ngang là không có du hiu quy c. bin (phơng trình 1). Nu các âm tit kt thúc bng các ph âm tc /t/ và /p/ thì   các âm tit ó ch có th i vi thanh sc hoc thanh nng. Vì  =  −  −  Σ   −  (1) / ||/  vy mt s nhà nghiên cu [1] coi ting Vit là h thng bao gm 8 thanh iu: trong ó thanh sc và thanh nng c coi nh lý Bayes cho phép tính xác sut hu nghim i tng nh có 2 bin th (trong các âm tit kt thúc hoc không kt thuc vào lp k khi có giá tr bng x c mô t  phơng trình thúc bng /t/ hoc /p/). Trong bài báo này,  ơn gin, chúng 2. tôi gi nh ting Vit ch có 6 thanh iu chun nh cách biu    din trong vn phong ting Vit.  = | =  =    2      i tng c nhn dng vào lp có giá tr xác sut hu nghim ln nht (phơng trình 2) s tơng ng vi lp này. Vi phơng pháp phân tích s khác bit tuyn tính LDA, gi s mi lp có riêng giá tr k vng µ k song tt c các lp u có chung ma trn hip phơng sai Σ. Thc hin ly logarit phơng trình (4) s thu c phơng trình (3).    =   Σ   −  Σ   +  (3)  Trong phơng trình (5),  c gi là hàm phân bit (discriminant function). Vì  là hàm tuyn tính ca x nên phơng pháp này c gi là LDA. Các tham s µ k và Σk c xác nh da trên s c lng tham s t b d liu hun luyn. Phân tích khác bit toàn phng QDA: Vi phơng pháp này, gi s mi lp s có mt ma trn Hình 1. ng cong tn s c bn F0 biu din cho thanh hip phơng sai riêng Σ, khi ó hàm phân bit s c biu iu ca ging n thuc phng ng Bc Vit Nam [5] din bng phơng trình 4. Theo các nhà ngôn ng hc, có th phân loi các thanh iu    theo mt s tiêu chí. Tiêu chí phân loi u tiên là cao  ca   = −   Σ  +   Σ   −  Σ   − Σ  +    thanh iu: các thanh ngang, thanh sc, thanh hi c coi   (4) mc cao, trong khi ó các thanh huyn, thanh nng, thanh ngã c coi  mc thp. Tiêu chí phân loi th hai là theo lut Các tham s  and Σ trong các phơng trình (3) và (4) s bng-trc, tc là mc  t gãy trong ng biu din F0 ca c xác nh trong quá trình hun luyn da vào các d liu thanh iu. Các thanh ngang, thanh sc, thanh huyn, thanh hun luyn. nng c coi là thanh bng và thanh hi, thanh ngã c coi K láng ging gn nht KNN: là thanh trc. Chi tit v phân loi các thanh iu ting Vit Vi mi i tng x trong tp th nghim, tính giá tr  () c mô t  bng 1. theo phơng trình 5.  Bng 1. Phân loi thanh iu theo cao  và theo lut  () = Σ ∈ ()  (5)  bng-trc. 343 343
  3. Hội Thảo Quốc Gia 2015 về Điện Tử, Truyền Thông và Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 về Điện Tử, Truyền Thông và Công Nghệ Thông Tin (ECIT 2015) Trong phơng trình 5,  () là láng ging ca x, bao gm  áp dng SVM cho bài toán phân lp nhiu mu, phơng K im gn x nht trong tp hun luyn,  là trng s ca im  pháp c s dng là one-versus-one: xây dng   b phân trong tp hun luyn xi. i tng x c nhn dng vào lp L 2 nu () t giá tr ln nht khi so sánh vi các giá tr (). lp cho tng cp lp. Mi mu th nghim s c a qua tt B phân lp phân tách tuyn tính vi l cc i (maximal c các b phân lp này. Lp nào chim a s s c coi là kt margin classifier): qu nhn dng. L cc i c xác nh nh sau: vi mi mu trong tp Nhn xét: hun luyn, tính khong cách trc giao n biên gii phân lp; Trong ba phơng pháp u tiên, phơng pháp QDA thc l là khong cách trc giao ti thiu tìm c. B phân lp này hin phân bit gia các lp thông qua biên gii phân lp tuyn chn biên gii phân lp có l t giá tr ln nht, ngha là biên tính, nh vy là biên gii phân lp tơng i thô vi các b d gii phân lp phân bit tt nht các mu trong tp hun luyn. liu phc tp. Trong khi ó vi phơng pháp KNN, kt qu Các véc tơ nm trên l c gi là các véc tơ h tr (support nhn dng li quá ph thuc vào mt s mu nht nh (K mu) vector). xung quanh mu cn nhn dng. Do ó phơng pháp KNN cho B phân lp h tr véc t SVC: kt qu rt dao ng theo b d liu. Phơng pháp QDA là mt Phơng pháp này là s m rng ca b phân lp phân tách ci tin ca phơng pháp LDA, phơng pháp này cho phép to tuyn tính vi l cc i (maximal margin classifier), cho phép ra biên gii phân lp phi tuyn, nh vy cho phép nhn dng phân lp vi các lp không th phân tách bng mt biên gii các mu mm do hơn. tuyn tính [2]. Phơng pháp này s tìm biên gii phân lp phù Các phơng pháp trên ã s dng toàn b d liu hun hp nht vi a s các mu, và chp nhn mt s mu hun luyn  xây dng biên gii phân lp. Trong khi ó, phơng luyn b phân lp sai (c iu chnh bng tham s C – pháp SVM ch s dng các véc tơ h tr  quyt nh biên phơng trình 7). gii phân lp. Phơng pháp s dng b phân lp h tr véc tơ Máy h tr véc t SVM: ch s dng biên gii phân lp tuyn tính, trong khi ó phơng Phơng pháp SVC ch có kh nng tìm c biên gii phân pháp SVM li cho phép xây dng biên gii phi tuyn, vi s lp tuyn tính. Trong khi ó biên gii phân lp tuyn tính li m rng s lng tham s ln. Trên cơ s nhn xét trên, chúng không phù hp vi mt s d liu c th.  vn có th s tôi hy vng phơng pháp QDA và SVM s cho kt qu nhn dng biên gii phân lp tuyn tính, mt phơng pháp c  dng tt nht. Các th nghim nhn dng thanh iu cho ting xut là m rng s tham s biu din i tng da trên các Vit c trình bày  phn tip theo. tham s ã có. SVM là phơng pháp cho phép thc hin hiu IV. NHN DNG THANH IU CA TING VIT qu s m rng này vi mc  tính toán hp lý. Xét bài toán s dng SVM  phân chia các mu thành 2 C s d liu ting Vit nói: lp. Gi s tp hun luyn bao gm N mu xi, i=1, 2,…, N. Các u tiên, chúng tôi xây dng tt c các t ơn âm tit ca mu này c phân vào lp yi, i=1, 2, …, N; các giá tr y ch ting Vit nói. ây là các t c s dng trong ngôn ng giao ly -1 hoc 1. Biên gii phân lp c biu din bng v trái tip thng ngày. Có tng cng 6221 t ã c tp hp. Phân ca phơng trình 6. b thanh iu trong cơ s d liu c mô t trong bng 2. () =  +  Bng 2. Phân b thanh iu trong c s d liu ting   (,  ) (6) Thc cht a phn các giá tr αi u bng 0, ch tr nhng nói. Thanh iu Tng s t giá tr αi ca các véc tơ h tr. Các giá tr này b gii hn theo Thanh ngang 1257 phơng trình 7. Thanh huyn 1022 0 ≤  ≤ ,  = 1, 2, … ,  (7) Thanh sc 1591 C là giá tr cho phép các mu b vi phm. Khi C càng nh Thanh nng 1203 thì l s càng rng, và ngc li khi C càng ln thì l s càng Thanh hi 706 hp. Thanh ngã 442 K là hàm kernel ca h thng, vi b phân lp h tr véc tơ Tng cng 6221 SVC thì K c tính theo phơng trình 8. K(u, v) = uTv (8) Trong cơ s d liu, có 3 ging nam u n t phơng Vi SVM, hàm K c s dng  bin i không gian ng Bc, có  tui t 22 n 24 tui. Mi ngi c yêu cu tham s, và c tính theo phơng trình 9. phát âm mi t mt ln. Ting nói c thu âm trong phòng K(u, v) = exp{-|u-v|2} (9) làm vic bình thng, vi tn s ly mu 16KHz, ơn kênh, 16 Khi ó gii thut thc hin tìm các giá tr 0 và αi theo bit/mu. Nh vy tng s file trong cơ s d liu là 18663 file. phơng trình 10. Phng pháp nhn dng:   min  1 −  ( ) +   (10) Phơng pháp so sánh chéo (cross-validation) c áp dng   ,  th nghim nhn dng thanh iu. Mi th nghim c vi K là ma trn NxN tính trên tt c các cp mu s dng thc hin ba ln: vi mi ln thì d liu ca 1 trong 3 ngi nói trong quá trình hun luyn. c s dng làm d liu th nghim, trong khi ó d liu ca Quá trình phân lp c thc hin tính hàm f (phơng trình hai ngi còn li c s dng  hun luyn h thng. Kt 6) trên mu cn th nghim. Tùy vào du ca hàm f mà mu qu ca th nghim là trung bình cng các kt qu ca ba th th nghim s c phân vào 1 trong 2 lp. nghim. Các th nghim c thc hin s dng các phơng 344 344
  4. HộiHội Thảo Quốc Thảo Gia Quốc Gia2015 2015về vềĐiện Điện Tử, Tử,Truyền Truyền Thông vàCông Thông và CôngNghệ Nghệ Thông Thông TinTin (ECIT (ECIT 2015) 2015) pháp nhn dng LDA, QDA và KNN. Mi phơng pháp c pháp QDA (các kt qu trên ct LDA nh hơn so vi các kt thc hin 2 th nghim: mt th nghim vi quan im coi qu trên ct QDA tơng ng). Ngoài ra phơng pháp coi thanh thanh iu tn ti trên c âm tit và th nghim th hai c iu ch tn ti trên phn hu thanh ca âm tit cng cho kt thc hin trên quan im coi thanh iu ch nm trên phn hu qu tt hơn so vi phơng pháp coi thanh iu tn ti trên c thanh ca âm tit. âm tit. Các kt qu tt nht t c vi s thành phn chun Biu din tham s cho mi thanh iu: hóa N = 5. Giá tr này c s dng cho th nghim nhn dng Hai tham s c s dng là tn s cơ bn F0 và nng thanh iu theo phơng pháp KNN, SVC và SVM. lng thi gian ngn E. Khong thi gian  tính toán là s S dng phng pháp KNN: dng ca s có  rng 100 miligiây,  dch ca ca s là 10  th nghim phơng pháp KNN, mt tham s cn xác miligiây. Phơng pháp t tơng quan AC (auto-correlation) nh chính là s láng ging K s dng  xác nh kt qu cho c s dng  xác nh tn s cơ bn F0. Do trong ting nói, tng mu th nghim. Các giá tr K c th nghim bao gm ch các on hu thanh mi có tn s F0, vì vy nhng on tín t 1 n 40. Th nghim c thc hin vi phơng pháp hiu không tính c F0 thì c coi nh các on vô thanh. KNN và quan im coi thanh iu tn ti trên toàn b âm tit.  tin hành chun hóa các giá tr tn s cơ bn F0 và nng Kt qu c mô t trên hình 2. lng E theo thi gian, vi mi thanh iu chiu dài tn ti ca thanh iu c chia thành N phn. Ti mi im chia s xác nh tn s F0 và nng lng tơng ng. Nh vy mi âm th hin cho mt thanh iu s c biu din bng mt véc tơ tham s có N thành phn. Các giá tr N c th nghim trong bài báo là t 2 n 10. Các kt qu th nghim c mô t  phn V. Trong bài báo này, chúng tôi th nghim hai quan im v cu trúc ca thanh iu trong âm tit ting Vit. Quan im th nht coi thanh iu nm trên toàn b âm tit, trong khi ó quan im th hai coi thanh iu ch tn ti trong phn hu thanh ca âm tit. Vi quan im th hai, phn hu thanh s c Hình 2. Kt qu nhn dng thanh iu theo phng chúng tôi xác nh là phn có tn s cơ bn F0 trong âm tit. pháp KNN vi các giá tr K t 1 n 40. Còn  th nghim theo quan im u tiên, nhng phn vô Hình 2 cho chúng ta thy kt qu nhn dng tt nht t thanh trong âm tit (thng là phn u và phn cui âm tit) c ti K=15. Giá tr K này c s dng cho th nghim không có tn s cơ bn F0 s c ni suy tuyn tính F0 t các nhn dng thanh iu vi các thành phn chun hóa thanh iu giá tr F0 ã có. theo thi gian N khác nhau. Kt qu thu c mô t trong bng V. KT QU NHN DNG THANH IU CA TING 4. VIT Bng 4. Kt qu nhn dng thanh iu úng (t l phn trm) s dng phng pháp KNN. S dng phng pháp LDA và QDA: S thành Thanh iu tn Thanh iu ch tn Kt qu th nghim vi phơng pháp LDA và QDA c phn chun ti trên toàn b ti trên phn hu mô t  bng 3 vi quan im thanh iu tn ti trên c âm tit hóa N âm tit thanh ca âm tit và vi quan im thanh iu ch tn ti trên phn hu thanh 2 36.77 37.71 ca âm tit. Trong bng 3, N là s thành phn chun hóa theo 3 38.69 42.42 thi gian ca mi th hin ca thanh iu. 4 46.63 47.97 Bng 3. Kt qu nhn dng thanh iu úng (t l phn 5 47.32 48.96 trm) s dng phng pháp LDA và QDA. 6 47.36 49.07 S thành Thanh iu tn ti Thanh iu ch tn 7 47.69 48.94 phn trên toàn b âm tit ti trên phn hu 8 47.02 49.09 chun thanh ca âm tit 9 47.16 49.29 hóa N LDA QDA LDA QDA 10 47.25 48.87 2 39.03 40.66 36.03 39.50 3 39.86 40.61 42.86 45.11 Kt qu  bng 4 cho thy vi phơng pháp KNN, kt qu 4 39.04 49.20 46.57 50.88 tt nht vi trng hp thanh iu tn ti trên toàn b âm tit 5 39.27 47.94 48.33 51.88 và trng hp thanh iu ch tn ti trên phn hu thanh ca 6 38.43 47.46 47.75 51.50 âm tit tơng ng vi s thành phn chun hóa N=7 và N=9. 7 37.36 47.38 47.79 51.17 S dng phng pháp SVC và SVM: 8 37.55 46.92 48.28 51.28 Mt tham s chung quyt nh n t l nhn dng úng 9 37.71 46.27 48.30 50.39 ca hai phơng pháp này là C (phơng trình 7). Ngoài ra vi 10 37.44 45.20 48.15 49.22 SVM tham s  (phơng trình 9) cng quyt nh n kt qu nhn dng. Bng 5 mô t kt qu nhn dng ca hai phơng Kt qu trên bng 3 cho thy phơng pháp LDA cho kt pháp vi các giá tr khác nhau ca C và . Th nghim c qu nhn dng chính xác thanh iu kém hơn so vi phơng 345 345
  5. HộiHội Thảo Quốc Thảo Gia Quốc 2015 Gia 2015về vềĐiện ĐiệnTử, Tử,Truyền TruyềnThông và Công Thông và CôngNghệ NghệThông ThôngTinTin (ECIT (ECIT 2015) 2015) thc hin s thành phn chun hóa ca thanh iu N = 5 và trên toàn b âm tit, và LDA_2, QDA_2, KNN_2, SVC_2, quan im coi thanh iu tn ti trên toàn b âm tit SVM_2 là ca phơng pháp coi thanh iu ch tn ti trên phn hu thanh ca âm tit. Bng 5. Kt qu nhn dng thanh iu úng (t l phn Hình 3 cho thy vi s thành phn chun hóa N thp (N=2 trm) s dng phng pháp SVC và SVM vi s thành và N=3), kt qu nhn dng thanh iu kém nht. Trong các phn chia thanh iu N=5. thành phn N còn li thì kt qu không thc s khác bit nhiu. Phng pháp Giá tr C Các kt qu nhn dng thanh iu tt nht thc hin trong 0.1 1 10 bài báo c mô t  bng 7. SVC 43.52 43.53 43.51 Bng 7. Tng kt các kt qu nhn dng thanh iu ca SVM, =0.5 39.46 43.82 42.33 ting Vit nói. SVM, =1 29.96 40.60 40.72 Phng Thanh iu nm Thanh iu ch nm SVM, =2 25.80 34.35 35.16 pháp nhn trên toàn b âm trên phn hu thanh dng tit ca âm tit Bng 5 cho thy phơng pháp SVC cho kt qu tt nht vi LDA 39.86 48.33 C=1, và phơng pháp SVM cho kt qu tt nht vi C=1 và KNN 47.69 49.29 =1. Các giá tr này c s dng cho th nghim trên tt c QDA 49.20 51.88 các phn chia thanh iu. Kt qu th nghim c mô t  SVC 43.52 51.86 bng 6. SVM 45.52 51.23 Bng 6. Kt qu nhn dng thanh iu úng (t l phn trm) s dng phng pháp SVC và SVM. Các kt qu th nghim cho thy quan im coi thanh iu S thành Thanh iu tn ti Thanh iu ch tn ch tn ti trên phn hu thanh ca âm tit cho kt qu nhn phn trên toàn b âm tit ti trên phn hu dng cao hơn so vi quan im coi thanh iu tn ti trên c chun thanh ca âm tit âm tit. Ngoài ra, trong các phơng pháp nhn dng c th hóa N SVC SVM SVC SVM nghim, phơng pháp QDA cho kt qu nhn dng cao nht. 2 41.01 40.29 41.36 44.04 3 41.34 36.63 44.23 45.17 4 41.60 45.52 50.33 51.23 VI. KT LUN 5 43.52 43.82 51.34 50.52 Bài báo ã  xut phơng pháp nhn dng thanh iu ca 6 41.79 43.75 50.50 50.17 ting Vit nói s dng mô hình phân tích khác bit tuyn tính 7 41.21 42.16 51.52 49.43 LDA (Linear Discrimination Analysis), phân tích khác bit 8 41.36 40.00 51.86 48.70 9 40.95 38.98 51.26 47.75 toàn phơng QDA (Quadratic Discrimination Analysis), K láng 10 40.98 38.18 51.55 46.96 ging gn nht KNN (K-Nearest Neighbor), b phân lp h tr véc tơ SVC (support vector classifier) và máy h tr véc tơ SVM (Support Vector Machine). Các th nghim nhn dng thanh iu c tin hành theo hai quan im: thanh iu tn ti trên c âm tit và thanh iu ch tn ti trên phn hu thanh ca âm tit. Các kt qu th nghim cho thy quan im coi thanh iu ch tn ti trên phn hu thanh ca âm tit cho kt qu nhn dng cao hơn so vi quan im coi thanh iu tn ti trên c âm tit. Ngoài ra, trong các phơng pháp nhn dng c th nghim, phơng pháp QDA cho kt qu nhn dng cao nht. Hng nghiên cu tip theo s là áp dng phơng pháp mng nơ ron và hc sâu. Ngoài ra có th kt hp tiêu chí phân loi thanh iu nh phân loi theo cao  hay theo lut bng- trc trong nhn dng thanh iu. K thut nhn dng thanh iu cng s c áp dng trong nghiên cu ca chúng tôi v nhn dng và tng hp ting Vit nói. TÀI LIU THAM KHO Hình 3. Kt qu nhn dng thanh iu theo s thành [1] oàn Thin Thut, “Ng âm ting Vit”, Nhà xut bn Giáo dc, Hà phn chun hóa theo thi gian N. Ni, 1997. [2] Trevor Hastie, Robert Tibshirani, Jerome Friedman, “The Elements of  ánh giá nh hng ca s thành phn chun hóa N n Statistical Learning, Data Mining, Inference, and Prediction ”, Springer, kt qu nhn dng thanh iu, chúng tôi biu din kt qu ca USA 2014. các phơng pháp nhn dng theo s thành phn chun hóa N [3] Yang, W.-J. & Lee, J.-C. & Chang, Y.-C. & Wang, H.-C. ”Hidden Markov model for Mandarin lexical tone recognition”, Acoustics, nh trong hình 3. Trong hình này, LDA_1, QDA_1, KNN_1, Speech and Signal Processing, IEEE Transactions on (Volume:36 , SVC_1, SVM1 là kt qu ca phơng pháp coi thanh iu nm Issue: 7 ), 2002 346 346
  6. HộiHội Thảo Quốc Thảo Gia Quốc 2015 Gia 2015về vềĐiện Điện Tử, Tử,Truyền Truyền Thông vàCông Thông và CôngNghệ Nghệ Thông Thông TinTin (ECIT (ECIT 2015) 2015) [4] Charnvivit, P. & Jitapunkul, S. & Ahkuputra, V & Maneenoi, E & [11] Ngoc, Thang V. & Schultz, T. ”Vietnamese large vocabulary continuous Thathong, U. & Thampanitchawong, B. ”F0 Feature Extraction by speech recognition”, Automatic Speech Recognition & Understanding, Polynomial Regression Function for Monosyllabic Thai Tone 2009 Recognition”, INTERSPEECH, 2001. [12] Viet Bac Le & Besacier, L. ”Automatic Speech Recognition for Under- [5] Brunelle, M. ”Coarticulation effects in northern Vietnamese tones”, Resourced Languages: Application to Vietnamese Language”, Audio, Proceedings of the 15th International Conference of Phonetic Sciences, Speech, and Language Processing, IEEE Transactions on (Volume:17 , 2003. Issue: 8 ), 2009 [6] Michaud, A. ”Final Consonants and Glottalization: New Perspectives [13] Davis, S.; Mermelstein, P. ”Comparison of parametric representations from Hanoi Vietnamese”, 2004. for monosyllabic word recognition in continuously spoken sentences”, [7] Pham, H. ”Vietnamese Tone – A New Analysis”, New York: Routledge, IEEE Trans. Acoust., Speech, Signal Processing, vol. 28, pp. 357-366, ISBN 0-415-96762-7, 2003. 1980. [8] Chu, Mai N. ”Cơ s ngôn ng hc và ting Vit”, Vietnam Education [14] Hong Quang Nguyen; Nocera, P.; Castelli, E.; Van Loan, T., ”Tone Publishing House, 1997. recognition of Vietnamese continuous speech using hidden Markov [9] Viet Bac Le & Besacier, L. ”First steps in fast acoustic modeling for a model”, Communications and Electronics, 2008. HUT-ICCE 2008. new target language: Application to Vietnamese”, ICASSP 2005 Second International Conference on , vol., no., pp.235,239, 4-6 June [10] Quan, V. & Kris, D. & Dirk, V. ”Vietnamese Automatic Speech 2008. Recognition: The FLaVoR Approach”, Chinese Spoken Language Processing Lecture Notes in Computer Science Volume 4274, 2006. 347 347
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2