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

Abstract

У цій статті автор теоретично обґрунтував можливість інтеграції прихованих марковських моделей (ІПММ) у структуру автоматизованої системи розпізнавання диктора критичного застосування (АСРДКЗ) для аналізу мовної інформації з множини незалежних вхідних каналів, що дало змогу в межах статистичної концепції розпізнавання образів поєднати точність апроксимації вхідних сигналів, притаманну апарату моделей гауссових сумішей, ефективність подання індивідуальних ознак мовлення завдяки можливостям прихованих марковських моделей та робастність, що є ключовою характеристикою критичного розпізнавання, за авторським методом інтеграції прийому вхідної інформації незалежних вхідних каналів. Автор запропонував математичний апарат для інтеграції прихованих марковських моделей, який дає змогу адекватно описати множину взаємодіючих процесів у марковській парадигмі зі збереженням часових, асиметричних умовних імовірностей між ланцюгами. Також запропоновано метод адаптації алгоритму Вітербі для навчання ІПММ, який дає змогу на кожній ітерації процесу навчання перераховувати вихідні параметри замість забезпечення змінності достовірності використовуваних статистичних параметрів, обираючи бажаний варіант процесу навчання та виконуючи процедури прямо-зворотного аналізу й аналізу Вітербі в рази швидше, оскільки основний обсяг обчислень становить обчислення багатовимірного гауссіана. Запропоновані наукові результати перевірено емпірично під час експериментів з розпізнавання дикторів в умовах змінного рівня та типу шумів у мовних сигналах, отриманих від двох вузькоспрямованих мікрофонів, розташованих на відстані 2 і 50 см від джерела мовного сигналу. Використання ІПММ в АСРДКЗ дало змогу досягти стабільно високої якості розпізнавання мовлення навіть за збільшення відношення сигнал/шум (ВСШ). Цікавим є результат розпізнавання за використання інформації виключно з першого каналу, де не простежується залежність якості розпізнавання від ВСШ. Це можна пояснити тим, що перший вузькоспрямований мікрофон розташований на відстані 2 см від джерела мовного сигналу, що обмежує наявність фонового шуму у фонограмі, але таке розташування спричиняє реверберацію для вибухових сегментів мовного сигналу, що призводить до зниження якості розпізнавання мовлення диктора для досліджуваної конфігурації простору ознак. Слід зазначити, що ІПММ виявили меншу чутливість до умов функціонування системи розпізнавання, що дає змогу рекомендувати їх використання у складі автоматизованої системи розпізнавання диктора критичного застосування.In this article, the author theoretically substantiated the possibility of integration of hidden Markovian models (IHMM) in the structure of the automated speaker recognition system of 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 models of Gaussian mixtures, the effectiveness of the presentation of individual features of speech due to the possibilities of the hidden Markovsky odeley and robastist, which is a key characteristic of critical recognition by copyright method of integrating fuel receiving input information independent input channels. The author proposed a mathematical apparatus for the integration of hidden Markovian models, which allkows us to adequately describe the set of interacting processes in the Markov paradigm with the preservation of temporal, asymmetric conditional probabilities between the chains. Also, a method for adapting the Viterbi algorithm for learning the IHMM, which permits, at each iteration of the learning process, to overestimate the output parameters instead of providing the variability of the reliability of the statistical parameters used, choosing the desired version of the learning process and performing the procedures of direct-inverse analysis and analysis of the Viterbi in times faster, since the bulk The computation involves the calculation of multidimensional Gaussian. The proposed scientific results are tested empirically, during experiments on the recognition of speakers in conditions of the variable level and the type of noise in speech signals received from two narrow-gauged microphones located at a distance of 2 and 50 cm from the source of the speech signal. The use of the IHMM in the ASRSCU has made it possible to achieve a consistently high quality speech recognition even at an increase in signal / noise ratios (ISNR). It is interesting to find the result of recognition when using information exclusively from the first channel, where the dependence of the recognition quality on the ISNR is not followed. This can be explained by the fact that the first narrow-gauge microphone is located at a distance of 2 cm from the source of the speech signal, which limits the presence of ambient noise in the phonogram, but this location causes reverb for the explosive segments of the speech signal, which leads to a decrease in the quality of speech recognition speaker for the investigated configuration of the space of signs. It should be noted that the IHMM detected less sensitivity to the operating conditions of the recognition system, which allows recommending their use as part of the automated speaker recognition system of critical use.