Vylepšená extrakcia parametrov funkcie z rečových signálov pomocou algoritmu strojového učenia (2)

3.7. Súbor údajov Procesy zberu a generovania súboru údajov sa uskutočňovali nasledovne. V tejto štúdii sa na tréning modelu použil súbor údajov so 120 hodinami zvuku. Súbor údajov obsahuje zvukové nahrávky reči, ktoré pozostávajú z viet s maximálne 15 slovami s celkovou dĺžkou približne 120 hodín.

Púštny ženšen

Okrem toho súbor údajov obsahuje veľké množstvo rôznych textov na použitie pri vývoji jazykového modelu. Zhromaždilo sa viac ako 90 650 výrokov, 415 780 slov a 65 810 jedinečných slov, ktoré boli zahrnuté v textovom korpuse, čo viedlo k približne 120 hodinám prepísaných údajov o reči. Súbor údajov sme rozdelili na tréningové, validačné a testovacie sady. Štatistika súboru údajov

sú uvedené v tabuľke 3.

Tabuľka 3. Špecifikácie súboru údajov.

Súbor údajov sme rozdelili do troch priečinkov zodpovedajúcich tréningovým, validačným a testovacím súborom. Každý priečinok obsahuje zvukové nahrávky a prepisy. Zvukové a zodpovedajúce názvy transkripčných súborov sú rovnaké, s výnimkou toho, že zvukové záznamy sú uložené ako súbory WAV, zatiaľ čo prepisy sú uložené ako súbory TXT s použitím kódovania UTF-8. Všetky transkripcie sú znázornené pomocou latinskej abecedy pozostávajúcej z 29 písmen a symbolu apostrofu. Aby sme predišli nadmernému prispôsobeniu, použili sme techniky zväčšenia údajov založené na poruchách rýchlosti a spektrálnom zlepšení.

Cistanche deserticola

4. Navrhovaná metóda

Dôležitou úlohou programátorov pri vývoji systémov rozpoznávania reči je vytvorenie optimálnej metódy na parametrické vyjadrenie rečových signálov [45]. Táto metóda umožňuje vynikajúce oddelenie zvukov a hovorených slov a zároveň zaisťuje, že reproduktory nie sú citlivé na vzory výslovnosti a zmeny v akustickom prostredí. Väčšina chýb v rozpoznávaní slov je spôsobená zmenou výšky signálu v dôsledku posunu mikrofónu alebo rozdielu vo výške výslovnosti [46]. Ďalšou častou príčinou chýb sú náhodné nelineárne deformácie tvaru spektra, ktoré sú vždy prítomné v rečovom signáli hovoriaceho [47,48]. Preto je jednou z najdôležitejších úloh pri vytváraní efektívnych systémov rozpoznávania reči výber reprezentácie, ktorá je dostatočná pre obsah analyzovaného signálu a zároveň je necitlivá na hlasy hovoriacich a rôzne akustické prostredia.

Doplnok Cistanche v mojej blízkosti – Zlepšenie pamäte

Systém, ktorý sa používa na extrahovanie parametrov funkcie, má zvyčajne nasledujúce požiadavky. Informačný obsah, teda súbor parametrov funkcie, musí zabezpečiť spoľahlivú identifikáciu rozpoznateľných prvkov reči. Ďalej musí byť minimalizovaná hlasitosť, teda maximálna kompresia zvukového signálu a neštatistická korelácia parametrov. Musí sa dosiahnuť aj nezávislosť od hovoriaceho, to znamená maximálne odstránenie informácií týkajúcich sa vlastností hovoriaceho z vektora znakov. Nakoniec musí byť zabezpečená homogenita, ktorá odkazuje na parametre s rovnakým priemerným rozptylom a schopnosť používať jednoduché metriky na určenie afinity medzi znakovými sadami [49]. Nie je však vždy možné splniť všetky požiadavky súčasne, pretože tieto požiadavky sú protichodné. Parametrický popis prvkov reči by mal byť dostatočne podrobný, aby ich bolo možné spoľahlivo rozlíšiť, a mal by byť čo najlakonický.

Superman bylinky cistanche

V praxi je rečový signál prijímaný z mikrofónu digitalizovaný pri vzorkovacej frekvencii 8 až 22 kHz. Sériové číselné hodnoty sú rozdelené na rečové fragmenty (rámce) s trvaním 10 až 30 ms, ktoré zodpovedajú kvázistacionárnym častiam reči. Z každého rámca sa vypočíta vektor vlastností, ktorý sa následne použije na akustickej úrovni rozpoznávania reči. V súčasnosti je k dispozícii široká škála metód pre parametrickú reprezentáciu signálov na základe autokorelačnej analýzy, hardvérovej lineárnej filtrácie, spektrálnej analýzy a LPC. Najbežnejším prístupom k parametrizácii reči je spektrálna analýza fragmentov signálu a výpočet ich kepstrálnych koeficientov.

MFCC boli použité ako informatívne funkcie pre rečový signál [41]. Tieto charakteristiky sa vo veľkej miere využívajú pri rozpoznávaní reči a sú založené na dvoch hlavných konceptoch: kepstrálna a Melova stupnica. Hlavnými výhodami algoritmu sú jeho vysoká úroveň známosti a jednoduchosť reči. Funkcie MFCC sú oddelené od zaznamenaných rečových signálov. Algoritmus MFCC využíva výsledky algoritmov prepínania zvukového záznamu a spektra. Klasický algoritmus, ktorý sa používa na výpočet MFCC, je znázornený na obrázku 5.

Obrázok 5. Klasická schéma na výpočet MFCC.

Táto štúdia predstavuje rýchlu metódu na extrakciu funkčných parametrov z rečového signálu. Navrhovaný algoritmus na rýchly výpočet MFCC je znázornený na obrázku 6.

Obrázok 6. Navrhovaný rámec pre výpočet MFCC.

Zvažujeme postupnosť vykonávania navrhovaného algoritmu na rýchlu extrakciu parametrov funkcie z rečového signálu

4.1. Rozdelenie na rámy

Po predbežnom filtrovaní je rečový signál rozdelený do 16 ms rámcov. Každá snímka (okrem prvej) obsahuje posledných 10 ms predchádzajúcej snímky. Tento proces pokračuje až do konca signálu. V tejto štúdii, pretože vzorkovacia frekvencia rečového signálu je 16 kHz, dĺžka rámca je N=256 a dĺžka posunu je M=160. Prekrytie je 62,5 percenta dĺžky rámu. Všeobecne sa odporúča pokrytie 50 až 75 percent dĺžky rámca.

4.2. Hanningovo okno a znižovanie hodnôt

Použila sa veľkosť Hanningovho okna 1D. Hanningovo okno sa tiež nazýva zvýšené kosínusové okno. Hanningovo okno si možno predstaviť ako súčet frekvenčného spektra troch pravouhlých časových okien. Môže použiť bočné laloky na vzájomné rušenie, čím sa eliminuje vysokofrekvenčné rušenie a únik energie. Hanningové okná sú veľmi užitočné funkcie okien.

Doplnok Cistanche v mojej blízkosti – Zlepšenie pamäte

Kliknutím sem zobrazíte produkty Cistanche zlepšujúce pamäť a prevenciu Alzheimerovej choroby

【Požiadať o viac】 E-mail:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Na zníženie skreslenia a vyhladenie jednotlivých snímok sa používa závažie. Plávajúci signál, ktorý sa v tejto štúdii skúma, pozostáva z hustého tónu. Veľkosť plochého tónu je určená veľkosťou čistého tónu pri frekvencii f, ktorý je filtrovaný cez Hanningovo okno.

Kritickým aspektom tohto okna je, že nastavuje hranice rámov na nulu. V tomto prípade môžu byť krátke energie vypočítané pri prechode cez okno a môžu byť prenesené zo sekvencie, ktorá sa používa na výpočet energií s najnižšou amplitúdou. Cieľom je odstrániť nízkoenergetické signály zo signálu výpočtom energie signálu pri vyhladzovaní signálu z tohto okna. Tento proces vyžaduje nasledujúcu rovnicu energie signálu:

kde En je energia fragmentu vstupného signálu a xi je hodnota signálu.

Okrem procesu okna pomocou (11) je signál spracovaný v ďalšom kroku, čo výrazne znižuje počet hodnôt, ktoré vstupujú do procesora. Obrázok 7 predstavuje algoritmus paralelného spracovania.

Veľkosť okna predstavuje počet vzoriek a trvanie. Je to hlavný parameter analýzy. Veľkosť okna závisí od základnej frekvencie, intenzity a zmien signálu.

Obrázok 7. Algoritmus Hanningovho okna na odstránenie tichých častí. 4.3. Prepínače krátkodobej Fourierovej transformácie (STFT) Existuje intuitívne chápanie významu vysokej alebo nízkej výšky. STFT je Fourierova transformácia, ktorá sa používa na určenie sínusovej frekvencie a fázového obsahu lokálnych úsekov signálu, keď sa mení v priebehu času. V praxi výpočet STFT zahŕňa rozdelenie dlhšieho časového signálu na kratšie segmenty rovnakej dĺžky, po ktorom nasleduje samostatný výpočet Fourierovej transformácie na každom kratšom segmente. Toto odhalí Fourierovo spektrum každého kratšieho segmentu. Signály s diskrétnym časom sú používané v praxi. Zodpovedajúca časovo-frekvenčná konverzia je diskrétna Fourierova konverzia, ktorá opisuje dĺžku signálu Xn ako reprezentatívnu frekvenčnú doménu komplexnej hodnoty N koeficientov. STFT, ktorý popisuje vývoj frekvenčných komponentov v čase, je jedným z najpoužívanejších nástrojov na analýzu a spracovanie reči [50]. Podobne ako samotné spektrum, jednou z výhod STFT je to, že jeho parametre majú fyzikálne a intuitívne interpretácie. STFT sa typicky vizualizuje pomocou log spektier 20log10 (X(h, k)). Takéto 2D logaritmické spektrá možno potom zobraziť pomocou tepelnej mapy známej ako spektrogram. V tretej fáze algoritmu sa postup STFT spektrálneho prepínania aplikuje na snímky, ktoré prechádzajú cez váhové okno. STFT signálu sa získa otvorením okien a určením DFT každého okna. Konkrétne sa transformácia pre okná Xn a Wn vstupného signálu určí takto:

kde k-index zodpovedá hodnotám frekvencie a wn je funkcia okna, čo je obyčajne Hanningovo okno alebo Gaussovo okno so stredom okolo nuly.

4.4. Mel Transform

Vo štvrtej fáze je signál, ktorý sa prenáša do frekvenčného pásma, rozdelený do rozsahov pomocou trojuholníkových filtrov. Hranice filtra sa vypočítajú pomocou frekvencie kriedy. Prechod na fifield kriedovej frekvencie je založený na nasledujúcej rovnici:

kde f je frekvenčný rozsah.

Prepínač spätného chodu je určený nasledovne:

Zvážte NN ako počet fifiltrov (všeobecne sa používa 26 fifiltrov) a tokov, ktoré sú také vysoké, ako je skúmaný frekvenčný rozsah. Tento rozsah je prenesený do Melovej stupnice a rozdelený do NN rovnomerne rozložených pretínajúcich sa rozsahov. Lineárne frekvenčne vhodné hranice sú určené v rámci fifield, zatiaľ čo váhové koeficienty, ktoré sú získané na základe fifiltrácie, sú označené H. Následne sú fifiltre aplikované na štvorcový modul koeficientov získaných z Fourierovej transformácie. Získané hodnoty sú logaritmické v dôsledku nasledujúceho výrazu:

Algoritmus rozkladu singulárnych hodnôt je implementovaný v záverečnej fáze výpočtu MFCC.

5. Experimentálne výsledky

Navrhnutú metódu sme implementovali a otestovali v Visual Studio 2019 C plus plus na PC s 4,90 GHz CPU, 32 GB RAM a dvoma GPU Nvidia GeForce 2080Ti, ako je uvedené v tabuľke 4. Systém bol testovaný v rôznych prostrediach zariadení, aby vyhodnotiť výkon metódy extrakcie signálových znakov. V experimentoch, počas prevádzky algoritmu (obrázok 8), keď sekvencia povrchov signálu bola n=15, sa počet hodnôt znížil o 40–50 percent a čas spracovania sa zvýšil o 1. 2-zložiť. V dôsledku toho tento algoritmus vykazoval výrazne vyššiu účinnosť. Navyše tento algoritmus umožnil oddelenie a elimináciu oblastí ticha pri prechode Hanningovým oknom.

Na zabránenie plytvaniu šírkou pásma pamäte je dostupných niekoľko možných prostriedkov. Navrhujeme nové riešenie, ktoré zvyšuje výpočtový výkon prispôsobením veľkosti signálových rámcov veľkosti bloku vyrovnávacej pamäte. Tento typ optimalizácie môže výrazne ovplyvniť celkový výkon paralelného spracovania. Môže sa však použiť pri digitálnom spracovaní signálu rozdelením signálu do rámcov prostredníctvom implementácií na viacjadrových procesoroch. V praxi sa však výber zvyčajne vykonáva v malom rozsahu, ktorý zodpovedá šírke dátovej zbernice, ktorá spája vyrovnávaciu pamäť s hlavnou pamäťou a veľkosti jej bloku. Naša metóda implementuje optimálne využitie týchto pamätí v paralelnom výpočte. Organizácia vyrovnávacej pamäte hrá zásadnú úlohu v algoritmoch paralelného spracovania pri rozdeľovaní údajov do tokov. Najmä prítomnosť efektov vektorovej matice pri digitálnom spracovaní signálu a veľkosť ich tokov by sa mala upraviť podľa veľkosti blokov vyrovnávacej pamäte. Dá sa to dosiahnuť pomocou navrhovanej metódy, ako je znázornené na obrázku 9.

Tabuľka 4. Podrobné špecifikácie experimentálneho usporiadania.

obrázok 8. (a) Počiatočný prichádzajúci signál a (b) objavenie sa signálu po aplikácii navrhovaného algoritmu.

Obrázok 9. Paralelná výpočtová štruktúra využívajúca procesory RK3288.

V tejto časti diskutujeme o kvantitatívnej analýze na porovnanie výkonnosti rôznych systémov. Porovnali sme našu metódu s dobre známymi algoritmami rozpoznávania reči založenými na prístupoch hlbokého učenia. Hodnotiace metriky sú nevyhnutné na výpočet rôznych stratégií na rozpoznávanie reči a hodnotenie výkonnosti rôznych prístupov. Aj keď sme na porovnanie použili výsledky iných štúdií, nie sme si istí, či sú pravdivé, pretože zdrojové kódy a súbory údajov týchto metód nie sú verejne dostupné na overenie skutočného výkonu. Obrázok 10 znázorňuje výsledok premiestňovania tichých častí počas prechodu fragmentu rečového signálu cez Hanning okno na základe navrhovaného rýchleho algoritmu. Výsledky rýchlosti získané z analýzy sú uvedené v tabuľke 5.

Obrázok 10. Hodnota k algoritmu KNN (s výberom funkcie).

Tabuľka 5. Experimentálne výsledky navrhovanej metódy.

Rozsah bol určený s cieľom nájsť stupeň susedstva, ktorý poskytuje najlepšiu hodnotu presnosti v algoritme KNN. Špecifikovaný rozsah zahŕňa 1–25. Na obrázku 10 bol použitý graf algoritmu KNN s výberom vlastností. Pri skúmaní grafu, keď bola hodnota okolia na začiatku 1, presnosť tréningu bola oveľa vyššia ako presnosť testu. V algoritme KNN vytvorenom pomocou funkcií vybraných koreláciou bola presnosť modelu stanovená na 99,15 percenta v súbore tréningových údajov a 97,35 percenta v súbore testovacích údajov.

Miera chybovosti slov (WER) alebo chybovosť znakov sa zvyčajne používa na vyhodnotenie presnosti extrakcie znakov z rečového signálu. Ide o objektívne matice, ktoré sú užitočné pre spravodlivé porovnanie techník rozpoznávania. V našich predchádzajúcich štúdiách [51–56] sme vypočítali metriky, ako je F-measure (FM), presnosť a pamäť. FM je vážený priemer, ktorý vyvažuje merania medzi presnosťou a rýchlosťou vyvolania. Presnosť je pomer počtu správne predpovedaných pozitívnych pozorovaní k celkovému počtu predpovedaných pozitívnych pozorovaní. Odvolanie je pomer počtu správne predpovedaných pozitívnych pozorovaní k celkovému počtu pozorovaní v skutočnej triede, ako je uvedené v (9). Na výpočet priemernej presnosti a rýchlosti vyvolania metód extrakcie prvkov možno použiť nasledujúce rovnice:

kde TP označuje počet skutočne pozitívnych výsledkov, FP označuje počet falošne pozitívnych výsledkov a FN označuje počet falošne negatívnych výsledkov.

FM sa počíta pomocou (10), pričom sa berie do úvahy presnosť aj vyvolanie.

Priemerná FM, zapamätateľnosť a presnosť navrhovanej metódy bola 98,4 percenta. Falošná detekcia sa vyskytla v 1,6 percentách prípadov kvôli nežiaducemu šumu signálov na mikrofóne. Rozsah presnosti modelu bol medzi 0 a 1 a skóre odhadu metrík dosiahlo svoje najlepšie hodnoty na úrovni 1. Hodnotenie našej metódy a iných nedávno publikovaných metód extrakcie rečových znakov je uvedené v tabuľke 6. Rovnaký počet funkcií sa použilo na spravodlivé porovnanie. Celkovo sa analyzovalo 325 vzoriek reči z každej skupiny od subjektov s podobným zázemím. Účinky rôznych dĺžok rámcov podľa počtu bánk filtrov v MFCC a rôznych dĺžok rámcov v poradí LPC sa tiež skúmali na zlepšenie presnosti.

Tabuľka 6. Výsledky kvantitatívnej presnosti extrakcie znakov reči.

Ako už bolo spomenuté, WER je najbežnejším meradlom výkonnosti rozpoznávania reči. Vypočítava sa porovnaním referenčného prepisu s výstupom rozpoznávača reči. Na základe tohto porovnania je možné vypočítať počet chýb, ktoré zvyčajne patria do troch kategórií: (1) vloženia, keď slovo nie je prítomné v odkaze vo výstupe automatického rozpoznávania reči (ASR), (2) vymazania, keď vo výstupe ASR chýba slovo, a (3) nahradenia, keď sa slovo zamieňa s iným slovom. WER možno vypočítať nasledovne.

kde S je počet náhrad slov, ktoré sú nesprávne rozpoznané, D je počet vymazaní, I je počet vložení a N je počet slov v referenčnom prepise. Hlavným problémom pri výpočte tohto skóre je zarovnanie medzi dvojslovnými sekvenciami. Dá sa to určiť pomocou dynamického programovania pomocou Levenshteinovej vzdialenosti [67].

Na základe tabuľky 6 sme vykonali štatistickú analýzu na označenie priemernej presnosti porovnávaných metód pomocou hodnotiacej metriky WER, ako je znázornené na obrázku 11. Vylepšený extraktor funkcií priniesol presnosť približne 98,4 percenta, zatiaľ čo iné prístupy poskytli presnosť medzi 78 percent a 96 percent. Na porovnanie sme použili výsledky uvedené v príslušných článkoch; presnosť týchto hodnôt však nie je ľahko overiteľná, pretože zdrojové kódy a súbory údajov týchto metód nie sú verejne dostupné na potvrdenie ich skutočného výkonu. Napriek tomu sa v prípade štandardných scén experimentálne preukázalo, že navrhovaná metóda poskytuje vynikajúcu presnosť extrakcie funkcie reči znížením výpočtového času, aj keď sú dáta reči zašumené alebo nízkej kvality.

Obrázok 11. Kvantitatívne výsledky prístupov k extrakcii znakov rečového signálu pomocou vertikálnych grafov.

Okrem toho sme vyhodnotili falošne pozitívne výsledky vybraných metód. Ako je možné vidieť na obrázku 12, navrhovaný prístup mal najmenej chýb. Okrem toho vysoko efektívna metóda paralelného výpočtu výrazne znížila výber funkcie zvukového signálu a chyby extrakcie. Overfitting bol jedným z hlavných problémov počas školenia a trpia ním takmer všetky modely strojového učenia. Pokúsili sme sa znížiť riziko nadmerného vybavenia pomocou techniky výberu funkcií, ktorej cieľom je namiesto toho zoradiť dôležitosť existujúcich funkcií v súbore údajov a vyradiť menej dôležité (nevytvárajú sa žiadne nové funkcie).

Obrázok 12. Viditeľné výsledky experimentov s extrakciou funkcie falošne pozitívneho rečového signálu.

Tabuľka 7 zobrazuje výsledky výkonnosti metód, ktoré boli použité v prostrediach rozpoznávania reči na základe rôznych vlastností. Nami navrhovaný prístup netrpí nežiaducim a zbytočným hlukom v pozadí a nie je ovplyvnený ľudskými hlasmi nízkej kvality, ako sú chrapľavé hlasy, hlasy produkované bolesťou hrdla alebo dokonca zvuky od ľudí s úplnou stratou hlasu. Naša metóda je zameraná na prekonanie problémov s neadekvátnym nahrávacím zariadením, hlukom v pozadí, zložitými prízvukmi a dialektmi a rôznymi výškami hlasu. V bežnom prostredí sa najlepšie výsledky na presnú detekciu a extrakciu problémov s rečovými funkciami dosiahli pomocou navrhovanej metódy so skráteným časom spracovania.

Tabuľka 7. Prehľad výkonu detekcie a extrakcie reči pomocou rôznych funkcií.

Výsledky metód rozpoznávania reči boli klasifikované ako silné, normálne alebo slabé pre sedem kategórií. Výkonné kritérium ukazuje, že algoritmus dokáže prekonať všetky typy výziev. Na rozdiel od toho, normálne kritérium naznačuje, že algoritmus môže v určitých prípadoch zlyhať, pretože hranice slov nie sú vopred definované. Nakoniec, slabé kritérium naznačuje, že algoritmus je nespoľahlivý pri hluku pozadia alebo vibráciách.

6. Obmedzenia

Je ťažké dospieť k záveru, že doteraz navrhované metódy nevykazujú žiadne nedostatky. Nami navrhovaná metóda môže tiež viesť k chybám v dôsledku rôznych hlukových prostredí. Na prekonanie tohto problému sme sa zamerali na zníženie počtu funkcií v množine údajov vytvorením nových funkcií z existujúcich funkcií [69]. Keďže prefitovanie bolo jedným z hlavných problémov pri tréningu rôznych modelov počas súťaže, obohatenie tréningových dát pridaním dátových vzoriek z rôznych zdrojov by mohlo byť možným riešením na zlepšenie výsledkov. Bez ohľadu na vyššie uvedené problémy, experimentálne výsledky odhalili, že naša metóda bola veľmi robustná a efektívna pre úlohy extrakcie rečových znakov s priemernou presnosťou 98,4 percenta a FM 99,5 percenta.

7. Závery

Pre systémy rozpoznávania reči bol navrhnutý nový vysokovýkonný paralelný výpočtový prístup využívajúci metódu strojového učenia. Problémy so zrýchlením v strojoch s obmedzenými výpočtovými zdrojmi možno vyriešiť pomocou distribuovaných systémov. Výpočtová rýchlosť v systémoch rozpoznávania signálu sa môže zvýšiť a výkon viacjadrových platforiem sa môže zlepšiť vytvorením a používaním efektívnych a rýchlych algoritmov. Výsledky ukazujú, že navrhovaný model skracuje čas spracovania a zlepšuje presnosť extrakcie prvkov o 98,4 percent efektívnym použitím MFCC. Bolo pozorované, že vlastnosti s nízkymi korelačnými hodnotami extrahované výberom vlastností sú tiež účinné pri úspechu modelu. Štatistická analýza bola vykonaná na vopred spracovaných údajoch a zmysluplné informácie boli získané z údajov pomocou algoritmu strojového učenia K-najbližších susedov (KNN).

Budúce štúdie sa zamerajú na zlepšenie presnosti našej metódy pomocou prístupov hlbokého učenia a optimalizácie vyrovnávacej pamäte viacjadrových procesorov na detekciu a extrahovanie rečových signálov bez výraznej straty kvality. Okrem toho plánujeme skonštruovať model spektrálnej analýzy založený na paralelnom spracovaní s robustným analytickým výkonom, ktorý umožní vytvorenie vstavaných zariadení s nízkymi výpočtovými zdrojmi pomocou množín rečových dát Taris [70] v prostredí 3D CNN a 3D U-Net [71– 75]

Referencie

1. Meng, YJ; Liu, WJ; Zhang, RZ; Du, HS Extrakcia a rozpoznávanie parametrov reči na základe interpolácie. Appl. Mech. Mater. 2014, 602–605, 2118–2123. [CrossRef] 2. Musaev, M.; Rakhimov, M. Zrýchlený tréning pre konvolučné neurónové siete. In Proceedings of the 2020 International Conference on Information Science and Communications Technologies (ICISCT), Taškent, Uzbekistan, 4. – 6. novembra 2020; s. 1–5. [CrossRef] 3. Áno, F.; Yang, J. Model hlbokej neurónovej siete pre identifikáciu reproduktora. Appl. Sci. 2021, 11, 3603. [CrossRef] 4. Musaev, M.; Rakhimov, M. Metóda mapovania bloku hlavnej pamäte do vyrovnávacej pamäte pri paralelnom spracovaní rečového signálu. In Proceedings of the 2019 International Conference on Information Science and Communications Technologies (ICISCT), Karáčí, Pakistan, 9. – 10. marca 2019; s. 1–4. [CrossRef] 5. Jiang, N.; Liu, T. Vylepšená segmentácia reči a algoritmus zhlukovania založený na SOM a k-priemeroch. Matematika. Probl. Ing. 2020, 2020, 3608286. [CrossRef] 6. Hu, W.; Yang, Z.; Chen, C.; Sun, B.; Xie, Q. Vibračný segmentačný prístup pre viacčinný systém numerického riadenia veže. Proces signálu obrazu a videa. 2021, 16, 489–496. [CrossRef]

7. Popescu, TD; Aiordachioaie, D. Detekcia porúch valivých ložísk pomocou optimálnej segmentácie vibračných signálov. Mech. Syst. Proces signálu. 2019, 116, 370–391. [CrossRef] 8. Shihab, MSH; Aditya, S.; Setu, JH; Imtiaz-Ud-Din, KM; Efat, MIA A Hybridná technika extrakcie funkcií GRU-CNN na identifikáciu reproduktorov. In Proceedings of the 2020 23rd International Conference on Computer and Information Technology (ICCIT), Dháka, Bangladésh, 19-21 December 2020; s. 1–6. [CrossRef] 9. Korkmaz, O.; Atasoy, A. Rozpoznávanie emócií z rečového signálu pomocou mel-frekvenčných kepstrálnych koeficientov. In Zborník z 9. medzinárodnej konferencie o elektrotechnike a elektronike (ELECO), Bursa, Turecko, 26. – 28. novembra 2015; s. 1254–1257. 10. Ayvaz, U.; Gürüler, H.; Khan, F.; Ahmed, N.; Whangbo, T.; Abdusalomov, A. Automatické rozpoznávanie reproduktorov pomocou mel-frekvenčných kepstrálnych koeficientov prostredníctvom strojového učenia. CMC-Comput. Mater. Contin. 2022, 71, 5511–5521. 11. Al-Qaderi, M.; Lahamer, E.; Rad, A. Dvojúrovňový systém identifikácie hovoriaceho prostredníctvom fúzie heterogénnych klasifikátorov a spolupráce doplnkových funkcií. Senzory 2021, 21, 5097. [CrossRef] 12. Batur Dinler, Ö.; Aydin, N. Optimálna sada parametrov funkcie založená na rekurentných neurónových sieťach s hradlovou rekurentnou jednotkou na detekciu segmentov reči. Appl. Sci. 2020, 10, 1273. [CrossRef] 13. Kim, H.; Shin, JW Dual-Mic Speech Enhancement Na základe TF-GSC s potlačením úniku a obnovením signálu. Appl. Sci. 2021, 11, 2816. [CrossRef] 14. Lee, S.-J.; Kwon, H.-Y. Stratégia predbežného spracovania na odstránenie šumu z dát reči na základe detekcie segmentov reči. Appl. Sci. 2020, 10, 7385. [CrossRef] 15. Rusnác, A.-L.; Grigore, O. CNN Architectures and Feature Extraction Methods pre EEG imaginárne rozpoznávanie reči. Senzory 2022, 22, 4679. [CrossRef] [PubMed] 16. Wafa, R.; Khan, MQ; Malik, F.; Abdusalomov, AB; Cho, YI; Odarchenko, R. Vplyv agilnej metodológie na úspešnosť projektu, s moderujúcou úlohou osoby v IT priemysle v Pakistane. Appl. Sci. 2022, 12, 10698. [CrossRef] 17. Aggarwal, A.; Srivastava, A.; Agarwal, A.; Chahal, N.; Singh, D.; Alnuaim, AA; Alhadlaq, A.; Lee, H.-N. Obojsmerná extrakcia funkcií na rozpoznávanie emócií reči pomocou hlbokého učenia. Senzory 2022, 22, 2378. [CrossRef] [PubMed] 18. Marini, M.; Vanello, N.; Fanucci, L. Optimalizácia parametrov extrakcie funkcií závislých od hovoriaceho na zlepšenie výkonu automatického rozpoznávania reči u ľudí s dysartriou. Senzory 2021, 21, 6460. [CrossRef] 19. Tiwari, S.; Jain, A.; Sharma, AK; Almustafa, KM Systém na podporu viactriedneho kardiálneho diagnostického rozhodovania založený na fonokardiogramovom signáli. IEEE Access 2021, 9, 110710–110722. [CrossRef] 20. Mohtaj, S.; Schmitt, V.; Möller, S. Model na identifikáciu nenávistných prejavov založený na extrakcii prvkov. arXiv 2022, arXiv: 2201.04227. 21. Kuldoshbay, A.; Abdusalomov, A.; Mukhiddinov, M.; Baratov, N.; Machmudov, F.; Cho, YI Vylepšenie metódy automatickej klasifikácie ultrazvukových snímok používanej na CNN. Int. J. Wavelets Multiresolution Inf. Proces. 2022, 20, 2150054. 22. Passricha, V.; Aggarwal, RK Kríženec hlbokého CNN a obojsmerného LSTM pre automatické rozpoznávanie reči. J. Intell. Syst. 2020, 29, 1261–1274. [CrossRef] 23. Mukhamadijev, A.; Khujayarov, I.; Djuraev, O.; Cho, J. Metóda automatického rozpoznávania reči založená na prístupoch hlbokého učenia pre uzbecký jazyk. Senzory 2022, 22, 3683. [CrossRef] [PubMed] 24. Li, F.; Liu, M.; Zhao, Y.; Kong, L.; Dong, L.; Liu, X.; Hui, M. Extrakcia funkcie a klasifikácia srdcového zvuku pomocou 1D konvolučných neurónových sietí. EURASIP J. Adv. Proces signálu. 2019, 2019, 59. [CrossRef] 25. Chang, L.-C.; Hung, J.-W. Predbežná štúdia extrakcie robustnej reči založenej na maximalizácii pravdepodobnosti stavov v hĺbkových akustických modeloch. Appl. Syst. Innov. 2022, 5, 71. [CrossRef] 26. Ramírez, J.; Górriz, JM; Segura, JC Detekcia hlasovej aktivity. Základy a robustnosť systému rozpoznávania reči. In Robustné rozpoznávanie a porozumenie reči; Grimm, M., Kroschel, K., Eds.; I-TECH Education and Publishing: London, UK, 2007; s. 1–22. 27. Oh, S. Robustná extrakcia funkcie reči na základe DNN a metóda odstránenia šumu signálu pomocou vylepšeného filtra LMS s priemernou predikciou na rozpoznávanie reči. J. Converg. Inf. Technol. 2021, 11, 1–6. [CrossRef] 28. Abbaschian, BJ; Sierra-Sosa, D.; Elmaghraby, A. Techniky hlbokého učenia na rozpoznávanie emócií reči, od databáz po modely. Senzory 2021, 21, 1249. [CrossRef] 29. Rakhimov, M.; Mamadjanov, D.; Mukhiddinov, A. Vysokovýkonný paralelný prístup k spracovaniu obrazu v distribuovaných počítačoch. In Zborník 2020 IEEE 14th International Conference on Application of Information and Communication Technologies (AICT), Uzbekistan, Taškent, 7. – 9. október 2020; s. 1–5. [CrossRef] 30. Abdusalomov, A.; Mukhiddinov, M.; Djuraev, O.; Khamdamov, Spojené kráľovstvo; Whangbo, TK Automatická extrakcia význačných objektov založená na lokálne adaptívnom prahovaní na generovanie hmatovej grafiky. Appl. Sci. 2020, 10, 3350. [CrossRef] 31. Abdusalomov, A.; Whangbo, TK Vylepšenie metódy rozpoznávania popredia pomocou techniky odstraňovania tieňov pre vnútorné prostredie. Int. J. Wavelets Multiresolution Inf. Proces. 2017, 15, 1750039. [CrossRef] 32. Abdusalomov, A.; Whangbo, detekcia TK a odstránenie tieňov pohybujúcich sa objektov pomocou informácií o geometrii a farbách pre vnútorné video streamy. Appl. Sci. 2019, 9, 5165. [CrossRef] 33. Mery, D. Počítačové videnie pre röntgenové testovanie; Springer International Publishing: Cham, Švajčiarsko, 2015; p. 271, ISBN 978-3319207469. 34. Mark, S. Snímky reči prekalibrujú hranice vnímania reči. Atten. Vnímať. Psychophys. 2016, 78, 1496–1511. [CrossRef] 35. Mudgal, E.; Mukuntharaj, S.; Modak, MU; Rozpoznávanie reči v reálnom čase založené na šablóne Rao, YS pomocou digitálnych filtrov na DSP-TMS320F28335. In Proceedings of the 2018 Fourth International Conference on Computing Communication Control and Automation (ICCUBEA), Pune, India, 16. – 18. augusta 2018; s. 1–6. [CrossRef]