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

• 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
• 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

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.