Информационно - коммуникационные и химические технологии

Том_ 4 № 29 (2025) / 2025-12-30 / Кол. просмотров: 204

РАСПОЗНАВАНИЕ ГОВОРЯЩЕГО НА ОСНОВЕ НЕЙРОННОЙ СЕТИ С ИСПОЛЬЗОВАНИЕМ ХАРАКТЕРИСТИЧЕСКИХ СПЕКТРОГРАММ

Авторы

Казахский национальный женский педагогический университет
https://orcid.org/0000-0002-9117-4369
Казахский национальный университет им. аль-Фараби
https://orcid.org/0000-0002-6491-8043
Казахский национальный университет им. аль-Фараби
https://orcid.org/0000-0002-1993-9566
Казахский национальный женский педагогический университет
https://orcid.org/0009-0005-1642-9834

Ключевые слова

распознавание речи, алгоритм, MFCC, спектограмма, MLP, AC-SOM

DOI ссылка:

https://doi.org/10.58805/kazutb.v.4.29-1115

Как цитировать

Мекебаев , Н., и др. «РАСПОЗНАВАНИЕ ГОВОРЯЩЕГО НА ОСНОВЕ НЕЙРОННОЙ СЕТИ С ИСПОЛЬЗОВАНИЕМ ХАРАКТЕРИСТИЧЕСКИХ СПЕКТРОГРАММ». Вестник КазУТБ, т. 4, вып. 29, декабрь 2025 г., doi:10.58805/kazutb.v.4.29-1115.

Аннотация

Предлагается метод, основанный на нейронной сети, для извлечения характеристик произношения говорящего. Он использует специальные триграммные статистики для получения характерной спектрограммы, способной обеспечить устойчивое представление произношения говорящего на основе линейной суперпозиции краткосрочных спектрограмм. Для решения проблемы медленного обучения и низкой скорости распознавания в системах идентификации динамиков на устройствах с ограниченными ресурсами предлагается алгоритм адаптивной кластерной самоорганизующейся карты признаков (AC-SOM), основанный на традиционной нейронной сети SOM. Данный алгоритм автоматически регулирует количество нейронов на уровне конкуренции в зависимости от количества распознаваемых динамиков до тех пор, пока количество кластеров не станет соответствовать количеству говорящих. Для предложенной модели AC-SOM была собрана и использована база данных спектрограммных образцов от 100 говорящих, что обеспечило максимальное время обучения всего 304 секунды и максимальное время распознавания образца менее 28 миллисекунд. По сравнению с другими подходами, предложенный метод обеспечивает значительно более высокие скорости обучения и распознавания без существенной потери точности распознавания. Полученные перспективные результаты демонстрируют, что предложенный метод лучше удовлетворяет требованиям к обработке и исполнению данных в реальном времени в системах edge intelligence по сравнению с другими методами распознавания говорящего.