Text-dependent Speaker Recognition using Wavelets and Neural Networks

Abstract

An intelligent system for text-dependent speaker recognition is proposed in this paper. The system consists of a wavelet-based module as the feature extractor of speech signals and a neural-network-based module as the signal classifier. The Daubechies wavelet is employed to filter and compress the speech signals. The fuzzy ARTMAP (FAM) neural network is used to classify the processed signals. A series of experiments on text-dependent gender and speaker recognition are conducted to assess the effectiveness of the proposed system using a collection of vowel signals from 100 speakers. A variety of operating strategies for improving the FAM performance are examined and compared. The experimental results are analyzed and discussed.

Artificial Neural Networks Combined with the Principal Component Analysis for Non-Fluent Speech Recognition

“…Most state-of-the-art speech recognition systems are based on hidden Markov models (HMMs) or artificial neural networks (ANNs), or HMM and ANN hybrids [ 12 , 13 , 14 , 15 ]. Neural networks play an important role both in speech [ 15 , 16 , 17 ] and speaker recognition [ 18 , 19 , 20 , 21 ], mainly due to the development of new neural network topologies as well as training and classification algorithms [ 14 , 22 , 23 ]. They have also been used for tasks such as classification [ 12 , 24 , 25 ] or feature extraction [ 26 , 27 ], isolated word recognition [ 28 ], small and large vocabulary and continuous speech recognition [ 29 , 30 ], as well as in disordered speech processing [ 7 , 8 , 12 , 13 , 31 , 32 , 33 , 34 , 35 , 36 ].…”

Αναγνώριση Ομιλητή Και Ομιλίας Με Χρήση Κυματιδίων

“…Την τελευταία αυτή έκδοση χρησιμοποιούν οιEnders et al (2005) για την ανάλυση του σήματος ομιλίας με κόστος την αύξηση στην πολυπλοκότητα υπολογισμού Αναγνώριση Ομιλητή και Ομιλίας με Χρήση Κυματιδίων Επίσης, οι Phan και οι συνεργάτες του(Phan et al, 2000) χρησιμοποίησαν το διακριτό μετασχηματισμό κυματιδίων για τη δημιουργία παραμέτρων χρόνου-συχνότητας οι οποίες χαρακτηρίζουν το σήμα ομιλίας με σκοπό την επιτυχή αναγνώριση ομιλητή παρουσία άλλων ομιλητών. Σχετική είναι και η προσέγγιση των Lim και Woo(Lim and Woo, 2007) στην οποία γίνεται επίσης χρήση του διακριτού μετασχηματισμού DWT για την αναγνώριση ομιλητή εξαρτώμενη από το κείμενο σε συνδυασμό με τα νευρωνικά δίκτυα. Σε μια άλλη σχετική προσέγγιση, οιLei et al (2004) χρησιμοποίησαν τον DWT για την επιτάχυνση της εκπαίδευσης των μηχανών διανυσμάτων υποστήριξης (Support Vector Machines, SVM) με σκοπό την αναγνώριση ομιλητή.…”