دانلود مقاله ترجمه شده کاهش ویژگی و تشخیص و دسته بندی واج، با استفاده از بردارِ ابعاد فرکتال

تفاوتی که بین ابعاد فرکتال هاسدوروف در یک واج وجود دارد، ما را بر آن داشت که از این ویژگی به عنوان یک سیستم دسته بندی بایسان آماری و دسته بند نزدیک ترین همسایه(NN) استفاده کرده تا بتوانیم شکل موج در یک گفتار را تشخیص دهیم. ما شکل های موج یک واج را به بخش های مجاوری تقسیم کرده و بعد فرکتال هاسدوروفِ مربوط به هر بخش را محاسبه کرده و از آن به عنوان یک ورودی برای دسته بند نزدیک ترین/بایسان همسایه استفاده می­کینم. نقطه ی مثبت این الگوریتم این بوده که بر خلاف سایر الگوریتم های استخراج ویژگی غیر نظارت یافته ، از اطلاعات نمونه استفاده می­کند.

دسته بندی سیگنال های صوتی از کاربرد های بسیار زیادی در حوزه های پژوهشی مختلف اعم از کاوش همه پخشی، تحلیل محتوای صوتی و بازیابی اطلاعات برخوردار است. اگرچه پردازش گفتار در سال های زیادی است که مورد توسعه قرار گرفته است، ولی هنوز مسائلی اعم از فاکتور های انسانی و محیطی در آن وجود داشته که باید حل و فصل گردد.  امروزه از مدل های گفتاری متنوعی در دامنه های مختلفی مانند تشخیص گوینده، تشخیص واج، رمز گذاری گفتار و ... به منظور بدست آوردن پارامتر های مورد نیاز برای تحلیل سیگنال صوتی استفاده می­شود...