Integration of hidden markov models in the automated speaker recognition system for critical use

• Autorzy: Kovtun Vjatcheslav V. , Yukhimchuk Maria S. , Kisała Piotr , Abisheva Akmaral , Rakhmetullina Saule

Identyfikatory

DOI

10.15199/48.2019.04.32

Warianty tytułu

PL

Integracja ukrytych modeli Markowa w zautomatyzowanym systemie rozpoznawania głosu do zastosowań krytycznych

• Języki publikacji: EN

Abstrakty

EN

In this article, the author theoretically substantiated the possibility of integration of hidden Markov models (IHMM) in the structure of the automated speaker recognition system for critical use (ASRSCU) for analysis of speech information from a plurality of independent input channels, which allowed within the statistical conception of pattern recognition to combine the accuracy of the approximation of input signals inherent the apparatus of GMM models. The authors proposed a mathematical apparatus for the integration of hidden Markov models, which allows us to adequately describe the set of interacting processes in the Markov paradigm with the preservation of temporal, asymmetric conditional probabilities between the chains.

PL

W tym artykule autorzy teoretycznie uzasadnili możliwość integracji ukrytych modeli Markowa (IHMM) w strukturze zautomatyzowanego systemu rozpoznawania głosu osoby mówiącej do zastosowań krytycznych (ASRSCU) do analizy informacji o mowie z wielu niezależnych kanałów wejściowych, które dopuszczają wewnątrz statystyczna koncepcję rozpoznawania wzorców w celu połączenia dokładności aproksymacji sygnałów wejściowych z aparatem modeli GMM. Autorzy zaproponowali aparat matematyczny do integracji ukrytych modeli Markowa, który pozwala odpowiednio opisać zestaw oddziałujących procesów w paradygmacie Markowa z zachowaniem czasowych, asymetrycznych warunkowych prawdopodobieństw między łańcuchami.

Słowa kluczowe

EN

microphone; Gaussian mixture model; hidden Markov model

PL

mikrofon; model miksów Gaussa; ukryty model Markowa

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2019
• Tom: R. 95, nr 4
• Strony: 176--180
• Opis fizyczny: Bibliogr. 17 poz., rys.

Twórcy

autor

Kovtun Vjatcheslav V.

• Vinnytsia National Technical University, Khmelnytsky Hwy, 95, 21021 Vinnytsia, Ukraine

autor

Yukhimchuk Maria S.

• Vinnytsia National Technical University, Khmelnytsky Hwy, 95, 21021 Vinnytsia, Ukraine

autor

Kisała Piotr

• Lublin University of Technology, Institute of Electronics and Information Technology, Nadbystrzycka 38A, 20618 Lublin, Poland

autor

Abisheva Akmaral

• Al-Farabi Kazakh National University, Almaty, Kazakhstan

autor

Rakhmetullina Saule

• East Kazakhstan State Technical University named after D.Serikbayev

Bibliografia

• [1] Sadyihov R.H., Rakush V.V., Modeli gausovyih smesey dlya verifikatsii diktora po proizvolnoy rechi, Dokl. Belorusskogo gos. un-ta inform. i radioel, 4 (2003), 95–103
• [2] Reynolds D. A., Quatieri T. F., Dunn R. B., Speaker verification using adapted Gaussian mixture models, Digital Signal Processing, 10 (2000),1–3, 19–41
• [3] Bykov M. M., Kovtun V. V., Vikoristannya mnozhini mikrofoniv u avtomatizovaniy sistemi rozpiznavannya movtsya kritichnogo zastosuvannya, Visnik Vinnitskogo politehnichnogo institutu, 3 (2017), 84-91
• [4] Kovtun V.V., Bykov M.M., Kovtun V.V., Smolarz A., Junisbekov M., Targeusizova A., Satymbekov M., Research of neural network classifier in speaker recognition module for automated system of critical use. SPIE 10445, Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments, (2017), 1044521
• [5] Kruger S. E., Schaffoner M., Katz M., et al., Mixture of Support Vector Machines for HMM based Speech Recognition, The 18th International Conference of Pattern Recognition ICPR’06
• [6] Golowich S. E., Sun D. X., A support vector/hidden markov model approach, Proc. Of the Statistical Computing Section. (1998)
• [7] Collobert R., Bengio S., Bengio Y., Parallel mixture of SVMs for very large scale problems, Proc. the Statistical Computing Section, (2002)
• [8] Ghahramani Z., Jordan M.I., Factorial hidden Markov models, Advances in Neural Information Processing Systems, 29 (1997), 2–3, 245–273
• [9] Romanowski A., Grudzień K., Garbaa H., Jackowska-Strumiłło L., Parametric methods for ect inverse problem solution in solid flow monitoring, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 7 (2017), nr. 1, 50-54
• [10] Zhang W., Liu J., Discriminative Universal Background Model Training for Speaker Recognition, Speech and Language Technologies, 6 (2011), 241–256
• [11] Bartlett P., Shawe-Taylor J., Generalization performance of support vector machines and other pattern classifiers, Advances in Kernel Methods Cambridge: MIT Press, (1998), 43–54
• [12] Smyth P., Heckerman D., Jordan M., Probabilistic independence networks for hidden Markov probability models, Neural Computation, 9 (1997), 2, 227-269
• [13] Jordan M.I., Ghahramani Z., Saul Z. K., Hidden Markov decision trees, Advances in Neural Information Processing Systems, 8 (1998)
• [14] Jensen F., Lauritzen S., Olsen K., Bayesian updating in recursive graphical models by local computation, Computational Statistics Quarterly, 4 (1990), 269-282
• [15] Bartlett P., Shawe-Taylor J., Generalization performance of support vector machines and other pattern classifiers, Advances in Kernel Methods, (1998), 43–54
• [16] Lach Z., Smolarz A., Wojcik W., et al., Optically powered system for automatic protection of a fiber segment, Przegląd Elektrotechniczny, 84 (2008), n.3, 259-262
• [17] Bykov M.M., Gafurova A.D., Kovtun V.V., Doslidzhennya komItetu neyromerezh u avtomatizovanIy sistemI rozpiznavannya movtsiv kritichnogo zastosuvannya, Visnik Hmelnitskogo natsionalnogo universitetu, seriya: Tehnichni nauki, 247 (2017), nr. 2, 144-150

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).