استخراج ویژگی های مقاوم گفتاری زیر باندی با استفاده از شبکه های

شبکه های عصبی در هم پیچش (CNN ) به عنوان گروهی از شبکه های عصبی عمیق، در سالهای اخیر کاربرد فراوانی در مدلس ازی آکوستیک و همچنین استخراج ویژگی و مدل سازی توأم در بازشناسی گفتار یافته اند. در مقاله حاضر، پیشنهاد میشود تا از CNN برای استخراج ویژگی مقاوم به نویز استفاده شود، درحالیکه ورودی CNN طیف سیگنال گفتار نویزی و خروجی هدف آن خروجی های متناظر تمیز از بانک فیلتر مل است. به این ترتیب CNN ویژگی های مقاوم به نویز را از طیف سیگنال گفتار استخراج می نماید. نقطه ضعف CNN در این روش آن است که تنها یک وضوح فرکانسی ثابت را به کار می گیرد. از این جهت، در این مقاله استفاده از چند شبکه عصبی درهم پیچش با اندازه های فیلتر د رهم پیچش متفاوت، جهت مدل سازی تفاوت وضوح فرکانسی برای استخراج ویژگی از طیف سیگنال گفتار پیشنهاد می شود. روش پیشنهادی را شبکه عصبی درهم پیچش چند دقتی (MRCNN) نامگذاری کرده ایم. آزمایشها روی دادگان Aurora2 نشان میدهند که CNN نسبت به شبکه باور عمیق در استخراج ویژگی مقاوم به نویز میانگین دقت بازشناسی را 20 درصد بهبود می دهد. همچنین نتایج نشان میدهند که MRCNN میانگین دقت بازشناسی را نسبت به شبکه عصبی درهم پیچش استاندارد (تک دقتی) 1 درصد بهبود می دهد