Нейронные сети

Модель языка на основе многослойного
персептрона	52

Первичная обработка

Наиболее характерные подходы:

1.Спектральный анализ

-с помощью гребенки фильтров

-линейное предсказывающее кодирование

2.Антропоморфная модель

53

Спектральный анализ

На основе гребенки
фильтров	54

Спектральный анализ

На основе полной гребенки фильтров

55

Спектральный анализ

Типичный вид речевой волны и ее спектра в
модели
анализа на основе гребенки фильтров	57

Анализ на основе линейного предсказывающего кодирования

58

Анализ на основе линейного предсказывающего кодирования

Достоинства подхода:

1.ЛПК представляет собой очень хорошую модель речевого сигнала. Особенно для квази-стационарных гласных, где ЛПК дает хорошую аппроксимацию спектральной огибающей

2.Способ, которым применяется ЛПК, приводит к разделению моделе источника речевого сигнала и речевого тракта. Становится возможны получить характеристики речевого тракта из речевого сигнала

3.ЛПК метод хорошо интерпретируется математически. Вычислитель сложность ЛПК алгоритмов меньше таковой для гребенки фильтров при равном качестве представления сигнала

4.ЛПК модель хорошо работает в речевых приложениях. Решения на основе ЛПК дают нехудший результат по сравнению с гребенкой фил

59

Анализ на основе линейного предсказывающего кодирования

Вычисление

коэффициент

ов

Линейного

предсказания

	~	p
		(n) ak s(n k)
	e(n) s(n) s
		k 1

60

Анализ на основе линейного предсказывающего кодирования

Модель синтеза речевого сигнала на основе линейного

предсказывающего кодирования	61

Векторное квантование

Достоинства векторного квантования:

1.ВК уменьшает скорость передачи информации.

2.Уменьшает объем вычислений, поскольку векторы из кодовой книги меняются реже, чем из континуального множе

3.Приводит к дискретизации представления речевой волны, т как позволяет пометить вектора кодовой книги метками соответствующих фонем.

4.Увеличивает ошибку квантования.

5.Требуется большой объем памяти для хранения кодовой кн

62