دانلود شبیه سازی مقاله تشخیص صدا با استفاده از الگوریتم KNN

تشخیص صوت با الگوریتم knn

فرآیند تشخیص صدا با استفاده از استخراج ویژگی های صوتی با استفاده از ملودی فرکانس یا MFCC آغاز می شود. هدف از روش MFCC این است که ویژگی سیگنال را که با صدای انسان ارتباط دارد، دریافت کند. تبدیل سیگنال از آنالوگ به دیجیتال در روش MFCC مورد نیاز است. سیگنال دیجیتال یک دامنه زمانی دارد و تجزیه و تحلیل را سخت تر می کند. بنابراین، زمان دامنه برای تبدیل دقیق تر به تجزیه تحلیل، به دامنه زمانی تبدیل می شود.

علاوه بر این، پس از دریافت این ویژگی، مرحله تشخیص با استفاده از روش K نزدیکترین همسایگی (kNN) با k تعداد همسایه است. فاصله اقلیدسی برای تشخیص شباهت آموزش داده ها و آزمایش داده استفاده می شود. تحقیقات قبلی نشان می دهد که kNN دارای دقت بالا است اگر از داده های نرمال استفاده کند اما هنگام استفاده از داده های بیرونی دقیق تر است. بر اساس این مسئله، این تحقیق روش جدیدی را برای رسیدگی به داده های خروجی با استفاده از kNN و اندازه گیری فاصله دو فاصله ای یا DDM ایجاد می کند. روش فاصله دو طرفه یا DDM هر فاصله هر داده را به مرکز داده kNN یادداشت می کند. محاسبه فاصله در مرحله شناخت استفاده می شود.

دقت روش در آزمایش آزمایش می شود. این آزمایش با استفاده از 11 موضوع به عنوان آموزش داده و تست داده می شود. هر صدای سوژه سه بار ضبط شده است نتایج آزمایش با روش kNN با یک مرکز داده 84.85٪ و نتیجه آزمایش با استفاده از روش فاصله دو برابر 96.97٪ می باشد. نتیجه نشان می دهد که روش فاصله دو برابر دقت تشخیص صدا را افزایش می دهد.

شبیه سازی ها در نرم افزار متلب انجام شده است و در ادامه بخشی از نتایج شبیه سازی ها نشان داده شده است.

تشخیص صوت با knn