Verificação de locutor utilizando modelos de Markov escondidos (HMMs) de densidades discretas.

Detalhes bibliográficos
Autor(a) principal: FECHINE, Joseana Macêdo.
Data de Publicação: 1994
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/4580
Resumo: Os Modelos de Markov Escondidos (HMMs) vem se tornando cada vez mais populares por serem muito ricos em estrutura matemática e. consequentemente formarem uma base teórica muito forte para uso em um largo grupo de aplicações na área de processamento de sinais de voz. Apresentam em geral, uma redução do custo computacional em comparação com métodos mais tradicionais. 0 reconhecimento de locutor utilizando HMMs, como toda tarefa de reconhecimento de padrões, se divide em duas fases distintas: treinamento e classificação. Na fase de treinamento, inicialmente e realizada a analise do sinal de voz de forma a se obterem os parâmetros representativos deste locutor. Foram usados, neste trabalho. os coeficientes de Predição Linear (coeficientes LPC), os quais foram representados por um alfabeto discreto obtido através da quantização vetorial. 0 HMM associado ao locutor e obtido através do algoritmo de reestimação de Baum-Welch, que consiste em uma técnica iterativa que fornece, através do calculo de uma medida de probabilidade. o modelo que melhor representa o dado locutor. A fase de classificação. no caso, de verificação de locutor, consiste no cálculo da probabilidade associada ao modelo de referenda já armazenado para o locutor a ser verificado. Se o valor de probabilidade calculado e maior que um dado limiar, o locutor e considerado verdadeiro, caso contrario o locutor e considerado impostor.
id UFCG_46418e6ce849b47b1464af5dcc5f85bf
oai_identifier_str oai:localhost:riufcg/4580
network_acronym_str UFCG
network_name_str Biblioteca Digital de Teses e Dissertações da UFCG
repository_id_str 4851
spelling Verificação de locutor utilizando modelos de Markov escondidos (HMMs) de densidades discretas.Speaker verification using hidden Markov models (HMMs) of discrete densities.Modelos de Markov escondidosCadeia de MarkovProcessamento de sinais de vozSinais de vozVoz - ProcessamentoReconhecimento de vozHMMs - Modelos de Markov EscondidosLocutor - reconhecimento de vozComunicação vocal homem-máquinaRelação homem-máquina - vocalReconhecimento de locutorQuantização vetorialHidden Markov ModelsVoice Signal ProcessingVoice recognitionSpeaker - Speech RecognitionMan-machine vocal communicationMan-Machine Relationship - VocalSpeaker RecognitionVector quantizationOs Modelos de Markov Escondidos (HMMs) vem se tornando cada vez mais populares por serem muito ricos em estrutura matemática e. consequentemente formarem uma base teórica muito forte para uso em um largo grupo de aplicações na área de processamento de sinais de voz. Apresentam em geral, uma redução do custo computacional em comparação com métodos mais tradicionais. 0 reconhecimento de locutor utilizando HMMs, como toda tarefa de reconhecimento de padrões, se divide em duas fases distintas: treinamento e classificação. Na fase de treinamento, inicialmente e realizada a analise do sinal de voz de forma a se obterem os parâmetros representativos deste locutor. Foram usados, neste trabalho. os coeficientes de Predição Linear (coeficientes LPC), os quais foram representados por um alfabeto discreto obtido através da quantização vetorial. 0 HMM associado ao locutor e obtido através do algoritmo de reestimação de Baum-Welch, que consiste em uma técnica iterativa que fornece, através do calculo de uma medida de probabilidade. o modelo que melhor representa o dado locutor. A fase de classificação. no caso, de verificação de locutor, consiste no cálculo da probabilidade associada ao modelo de referenda já armazenado para o locutor a ser verificado. Se o valor de probabilidade calculado e maior que um dado limiar, o locutor e considerado verdadeiro, caso contrario o locutor e considerado impostor.Hidden Markov Models (HMMs) are becoming popular in pattern recognition because they present a strong mathematical structure solid and so they provide a theorectical basis for very many applications in voice processing systems. They can also provide a reduction in complexity when compared to other methods. Speaker recognition using HMMs. like other pattern recognition techniques, can be performed in two phases: training and classification. For the training phase each speaker uses a individual HMM. The model is built after the speech has beeen analised and the Linear Predictive Coding (LPC) parameters representing that particular speaker have been obtained. The LPC coeficients are then discretizes by a vector quantizer. The discretized parameters are used for running an iteractive algorithm (Baum-Welch algorithm) calculating a probability wich best represents that speaker. Classification, in this application, speaker verification, consists in using the H MM obtained in the training phase to calculate and check whether that particular speaker provides an acceptable probability to be considered a valid user (customer).Universidade Federal de Campina GrandeBrasilCentro de Engenharia Elétrica e Informática - CEEIPÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICAUFCGAGUIAR NETO, Benedito Guimarães.AGUIAR NETO, B. G.http://lattes.cnpq.br/3405447548131544BRASILEIRO, Antônio Gonçalves.ALCAIM, Abraham.FECHINE, Joseana Macêdo.1994-04-042019-06-28T18:46:47Z2019-06-282019-06-28T18:46:47Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/4580FECHINE, Joseana Macêdo. Verificação de locutor utilizando modelos de Markov escondidos (HMMs) de densidades discretas. 1994. 148f. (Dissertação de Mestrado em Engenharia Elétrica), Curso de Pós-Graduação em Engenharia Elétrica, Centro de Ciências e Tecnologia, Universidade Federal da Paraíba – Campus II - Campina Grande - PB - Brasil, 1994.porinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFCGinstname:Universidade Federal de Campina Grande (UFCG)instacron:UFCG2021-06-08T17:41:49Zoai:localhost:riufcg/4580Biblioteca Digital de Teses e Dissertaçõeshttp://bdtd.ufcg.edu.br/PUBhttp://dspace.sti.ufcg.edu.br:8080/oai/requestbdtd@setor.ufcg.edu.br || bdtd@setor.ufcg.edu.bropendoar:48512021-06-08T17:41:49Biblioteca Digital de Teses e Dissertações da UFCG - Universidade Federal de Campina Grande (UFCG)false
dc.title.none.fl_str_mv Verificação de locutor utilizando modelos de Markov escondidos (HMMs) de densidades discretas.
Speaker verification using hidden Markov models (HMMs) of discrete densities.
title Verificação de locutor utilizando modelos de Markov escondidos (HMMs) de densidades discretas.
spellingShingle Verificação de locutor utilizando modelos de Markov escondidos (HMMs) de densidades discretas.
FECHINE, Joseana Macêdo.
Modelos de Markov escondidos
Cadeia de Markov
Processamento de sinais de voz
Sinais de voz
Voz - Processamento
Reconhecimento de voz
HMMs - Modelos de Markov Escondidos
Locutor - reconhecimento de voz
Comunicação vocal homem-máquina
Relação homem-máquina - vocal
Reconhecimento de locutor
Quantização vetorial
Hidden Markov Models
Voice Signal Processing
Voice recognition
Speaker - Speech Recognition
Man-machine vocal communication
Man-Machine Relationship - Vocal
Speaker Recognition
Vector quantization
title_short Verificação de locutor utilizando modelos de Markov escondidos (HMMs) de densidades discretas.
title_full Verificação de locutor utilizando modelos de Markov escondidos (HMMs) de densidades discretas.
title_fullStr Verificação de locutor utilizando modelos de Markov escondidos (HMMs) de densidades discretas.
title_full_unstemmed Verificação de locutor utilizando modelos de Markov escondidos (HMMs) de densidades discretas.
title_sort Verificação de locutor utilizando modelos de Markov escondidos (HMMs) de densidades discretas.
author FECHINE, Joseana Macêdo.
author_facet FECHINE, Joseana Macêdo.
author_role author
dc.contributor.none.fl_str_mv AGUIAR NETO, Benedito Guimarães.
AGUIAR NETO, B. G.
http://lattes.cnpq.br/3405447548131544
BRASILEIRO, Antônio Gonçalves.
ALCAIM, Abraham.
dc.contributor.author.fl_str_mv FECHINE, Joseana Macêdo.
dc.subject.por.fl_str_mv Modelos de Markov escondidos
Cadeia de Markov
Processamento de sinais de voz
Sinais de voz
Voz - Processamento
Reconhecimento de voz
HMMs - Modelos de Markov Escondidos
Locutor - reconhecimento de voz
Comunicação vocal homem-máquina
Relação homem-máquina - vocal
Reconhecimento de locutor
Quantização vetorial
Hidden Markov Models
Voice Signal Processing
Voice recognition
Speaker - Speech Recognition
Man-machine vocal communication
Man-Machine Relationship - Vocal
Speaker Recognition
Vector quantization
topic Modelos de Markov escondidos
Cadeia de Markov
Processamento de sinais de voz
Sinais de voz
Voz - Processamento
Reconhecimento de voz
HMMs - Modelos de Markov Escondidos
Locutor - reconhecimento de voz
Comunicação vocal homem-máquina
Relação homem-máquina - vocal
Reconhecimento de locutor
Quantização vetorial
Hidden Markov Models
Voice Signal Processing
Voice recognition
Speaker - Speech Recognition
Man-machine vocal communication
Man-Machine Relationship - Vocal
Speaker Recognition
Vector quantization
description Os Modelos de Markov Escondidos (HMMs) vem se tornando cada vez mais populares por serem muito ricos em estrutura matemática e. consequentemente formarem uma base teórica muito forte para uso em um largo grupo de aplicações na área de processamento de sinais de voz. Apresentam em geral, uma redução do custo computacional em comparação com métodos mais tradicionais. 0 reconhecimento de locutor utilizando HMMs, como toda tarefa de reconhecimento de padrões, se divide em duas fases distintas: treinamento e classificação. Na fase de treinamento, inicialmente e realizada a analise do sinal de voz de forma a se obterem os parâmetros representativos deste locutor. Foram usados, neste trabalho. os coeficientes de Predição Linear (coeficientes LPC), os quais foram representados por um alfabeto discreto obtido através da quantização vetorial. 0 HMM associado ao locutor e obtido através do algoritmo de reestimação de Baum-Welch, que consiste em uma técnica iterativa que fornece, através do calculo de uma medida de probabilidade. o modelo que melhor representa o dado locutor. A fase de classificação. no caso, de verificação de locutor, consiste no cálculo da probabilidade associada ao modelo de referenda já armazenado para o locutor a ser verificado. Se o valor de probabilidade calculado e maior que um dado limiar, o locutor e considerado verdadeiro, caso contrario o locutor e considerado impostor.
publishDate 1994
dc.date.none.fl_str_mv 1994-04-04
2019-06-28T18:46:47Z
2019-06-28
2019-06-28T18:46:47Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/4580
FECHINE, Joseana Macêdo. Verificação de locutor utilizando modelos de Markov escondidos (HMMs) de densidades discretas. 1994. 148f. (Dissertação de Mestrado em Engenharia Elétrica), Curso de Pós-Graduação em Engenharia Elétrica, Centro de Ciências e Tecnologia, Universidade Federal da Paraíba – Campus II - Campina Grande - PB - Brasil, 1994.
url http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/4580
identifier_str_mv FECHINE, Joseana Macêdo. Verificação de locutor utilizando modelos de Markov escondidos (HMMs) de densidades discretas. 1994. 148f. (Dissertação de Mestrado em Engenharia Elétrica), Curso de Pós-Graduação em Engenharia Elétrica, Centro de Ciências e Tecnologia, Universidade Federal da Paraíba – Campus II - Campina Grande - PB - Brasil, 1994.
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Campina Grande
Brasil
Centro de Engenharia Elétrica e Informática - CEEI
PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
UFCG
publisher.none.fl_str_mv Universidade Federal de Campina Grande
Brasil
Centro de Engenharia Elétrica e Informática - CEEI
PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
UFCG
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFCG
instname:Universidade Federal de Campina Grande (UFCG)
instacron:UFCG
instname_str Universidade Federal de Campina Grande (UFCG)
instacron_str UFCG
institution UFCG
reponame_str Biblioteca Digital de Teses e Dissertações da UFCG
collection Biblioteca Digital de Teses e Dissertações da UFCG
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFCG - Universidade Federal de Campina Grande (UFCG)
repository.mail.fl_str_mv bdtd@setor.ufcg.edu.br || bdtd@setor.ufcg.edu.br
_version_ 1809744378749517824