Verificação de locutor utilizando modelos de Markov escondidos (HMMs) de densidades discretas.
Ano de defesa: | 1994 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal de Campina Grande
Brasil Centro de Engenharia Elétrica e Informática - CEEI PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UFCG |
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: | |
Link de acesso: | 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 |
|
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_ |
1809746053935661056 |