ارايه راهكاري جهت بهبود شناسايي گويندگان مستقل از متن فارسي زبان بر اساس انتخاب ويژگي هاي گفتار با الگوريتم ازدحام ذرات باينري

شناسايي گوينده بر اساس ويژگي هاي گفتار يكي از روش هاي مهم تشخيص هويت است. معمولاً تمام ويژگيهاي گفتار انسان مفيد و مؤثر نيستند. وجود ويژگي هاي زياد، تكراري و نامناسب باعث بالا رفتن هزينه مدلسازي و كاهش دقت در شناسايي گوينده مي شود. هدف از انتخاب ويژگي، حداقل كردن ابعاد فضاي ويژگي، كاهش هزينه هاي محاسباتي و اقتصادي، افزايش دقت دسته بند و ... است. در اين مقاله يك روش مؤثر مبتني بر هم افزايي الگوريتم بهينه سازي ازدحام ذرات باينري با مدل مخلوط گوسي (PSO_GMM) به منظور انتخاب ويژگي هاي مناسب گفتار و بهبود كارايي سيستم هاي بازشناسي گوينده مستقل از متن ارايه شده است. الگوريتم پيشنهادي را در يك گروه 40 نفره از زنان و مردان بين سنين 30 تا 50 سال كه به طور تصادفي از پايگاه داده فارس دات انتخاب شده اند مورد آزمايش قرار داديم. براي هر گوينده، 39 ويژگي از گفتاربر اساس روش LPCC، مشتق اول، مشتق دوم و ضريب انرژي در نظر گرفته شده است. مدلسازي گويندگان بر اساس مدل مخلوط گوسي (GMM) مي باشد و براي انتخاب ويژگي هاي مؤثر از الگوريتم بهينه سازي ازدحام ذرات باينري استفاده شده است. نتايج آزمايشات نشان دادند سيستم پيشنهادي PSO_GMM با انتخاب مناسب ويژگي هاي گفتار به طور متوسط دقت شناسايي هويت گوينده را %53/ 7 نسبت به مدل مخلوط گوسي پايه افزايش و تعداد ويژگي هاي انتخابي را به ميزان % 84 /53 نسبت به مدل مخلوط گوسي پايه كاهش داد.