اراي ه روشي جديد در بهينه سازي سيستم هاي پردازش گفتار با استفاده ازالگوريتم ژنتيك ع يل اكبر برنگي ايمان اسمعيل زاده و هومن نبوتي مركز تحقيقات سجاد aliakbar_berangi@yahoo.com imanesmaailzadeh@yahoo.com hoomannabovati@gmail.com 2 1 چكيده روش DTW يكي از روش هاي متداول در باز شناسي گفتار گسسته مي با شد. يكي از مزاياي اين روش مرتفع كردن مشكل عدم همزماني سيگنال هادر قسمت مقايسه نمونه ها مي باشد.از مشكلا ت روش مذكور حجم محاسباتي نسبتا بالاي آن مي ياشد. بكار گيري ويژگي هاي بيشتر جهت مقايسه سيگنال ها ياعث افرايش بازدهي الگوريتم مي گردد ولي به همان نسبت ميزان محاسبات را افزايش مي دهد. ضمنا همه ويژگي ها ارزش يكساني ندارند لذا ارزش دهي به ويژگي ها ضروري مي نمايد.اين مقاله به بهينه سازي يك سيستم پردازش گفتار با بهره گيري از الگوريتم ژنتيك اختصاص يافته است. البته روش اراي ه شده براي 3 تمامي شيوه هايي كه با استخراج ويژگي در پردازش سيگنال سر و كار دارند قايل پياده ساري مي باشد. DTW,Genetic Algorithm,Feature Vector,Isolated Word Recognition كليد واژه- مقدمه 1- روش DTW بر مبناي تطبيق كلمه بيان شده با الگو هاي از پيش ذخيره شده عمل مي نمايد. در هر بار مقايسه كلمه ادا شده با همه الگو ها تطبيق داده مي شود و به كمك يك 4 تابع هزينه ميزان تطابق كلمه با الگو مقايسه مي شود و الگويي كه كمترين هزينه را ايجاد كند به عنوان الگوي بازشناسي شده معرفي مي گردد.[ 1 ] در اين مقاله براي وزن دهي به ويژگي ها از الگوريتم ژنتيك استفاده شده است. الگوريتم ژنتيك روشي جهت يافتن نقاط اكسترمم توابع مي باشد. در اين شيوه نقاط بهينه به كمك چند عملگر در طول چند نسل بدست مي آيند. يكي از مزاياي اين روش اين است كه بهينه سازي مستقل از ضابطه تابع صورت مي گيرد. از آنجا كه ما قادر به اراي ه تابعي مشخص براي يافتن بهينه ها نيستيم استفاده از روش مذكور مي تواند راهكار مناسبي براي حل اين مساله اراي ه دهد. در ادامه مقاله به طور خلاصه به بررسي يك سيستم بازشناسي گفتار پرداخته خواهد شد. و در انتها روشي جديد براي بهينه سازي سيستم معرفي خواهد شد. 2- مباني روش DTW به طور كلي يك سيستم تشخيص كلمه توسط روش DTW را مي توان توسط بلوك دياگرام شكل 1 نشان داد.
واحد تشخيص واحد استخراج بردارهاي ويژگي واحد استخراج بردارهاي ويژگي انرژي از يك ميزان تعيين شده بيشترشود پيشروي مي كند اين كار به طور مشابه براي انتهاي سيگنال نبز انجام مي شود. در پايان محل هايي كه پنجره از آنها عبور كرده حذف مي گردد. سيگنال صحبت قبل از ورود به مرحله تشخيص بايد تحت پردازش هاي اوليه براي استخراج ويژگي هاي مهم آن قرار گيرد. اين ويژگي ها بايد حداقل حساسيت را به اداهاي مختلف كلام وبيشترين وابستگي را به خود كلام داشته باشند. البته قبل از استخراج ويژگي ها ابتدا بايد قسمت هاي بي كلام سيگنال را حذف كرده و خروجي را به قابهاي كوچك در حدود 5 تا 40 ميلي ثانيه تقسيم نمود. شكل 1 :سيستم تشخيص يك كلمه در اين سيستم ابتدا يك مجموعه ثابت از تعدادي كلمات مورد نظر انتخاب شده و سپس عمليات استخراج بردار هاي ويژگي بر روي اين كلمات صورت مي پذيرد و در پايگاه داده ذخيره مي شود. در زمان تشخيص مرحله استخراج بردارهاي ويژگي بر روي كلمه مجهول انجام گرفته و سپس در واحد تشخيص با بردار هاي ويژگي كلمات معلوم مقايسه گشته و شبيه ترين كلمه به عنوان كلمه مورد نظر معرفي مي شود. در سيستم 5 مذكور براي رسيدن به زمان بلا درنگ لازم است كه سرعت محاسبات مراحل "استخراج بردارهاي ويژگي" و"تشخيص" را افزايش دهيم. سرعت محاسبات در عمليات تعليم دراين سيستم اهميتي ندارد زيرا اين عمل يك بار و به صورت آفلاين انجام مي پذ يرد.[ 6 ] -1-2 مراحل تشخيص گفتار در روش DTW در اين قسمت دو واحد استخراج بردارهاي ويژگي وتشخيص بر مبناي روش DTW توضيح داده خواهد شد. 1-1-2 واحد استخراج بردارهاي ويژگي براي حذف نويز اضافي از تابع انرژي سيگنال استفاده مي شود در اين مقاله از يك پنجره كوچك در حدود 5 ميلي ثانيه استفاده شده كه از ابتداي سيگنال تا نقطه اي كه بهتر است به خاطر اينكه در ويژگي هاي استخراجي 6 گسستگي وجود نداشته باشد اين قابها همپوشاني داشته باشند. در اين مقاله هر قاب 7,8 ميلي ثانيه با همپوشاني %50 به صورت %25 در هر طرف و در فركانس نمونه برداري 8 كيلو هرتز در نظر گرفته شده است. نمونه ها 16 بيتي هستند و هر قاب شامل 62,8 نمونه مي باشد.[ 6 ] براي اينكه سيستم عملكرد مطلوب تري داشته باشد قبل از استخراج ويژگي به سيگنال پنجره اعمال شده است. در اين مقاله از "پنجره همينگ" استفاده شده است كه رابطه آن در زير آمده است : κ ω( κ + 1) = 0.54 0.46cos 2π n 1 κ = 0,..., n 1 (1) خروجي اين قسمت به واحد استخراج ويژگي داده مي شود كه به ازاي هر قاب يك بردار 12 تايي از ضرايب مل 7 كپستروم توليد مي كند. لازم به ذكر است كه مي توان از 8 ويژگي هاي ديگر نظير ضرايب LPC انرژي و... نيز استفاده كرد كه بهبود عملكرد سيستم را به بهاي پايين آمدن سرعت به دنبال دارد. در واقع موضوع اين مقاله استفاده از ويژگي كمترو توليد قدرت تشخيص بهتر براي كلمات مي باشد كه اين كار به وسيله الگوريتم ژنتيك انجام مي شود. در نهايت اين بردار ها در يك ماتريس قرار گرفته و به واحد تشخيص سپرده مي شود. بلوك دياگرام عمليات فوق در
و 1 شكل 2 مشاهده مي شود. تابع فوق براي تمام i ها و j ها محاسبه مي شود و در عنصر متناظر با خود در ماتريس قرار مي گيرد.سپس از خانه اول ماتريس ) ] 1] ( شروع كرده و از كم هزينه ترين مسير به خانه ) [M,L] ( مي رسد كه در آن LوM به ترتيب تعداد عناصر سطر ها و ستون هاي ماتريس مذكور مي باشد. سپس به صورتي كه در رابطه زير مشاهده مي شود فاصله سراسري تا خانه (i,j) كه برابر حاصل جمع فاصله هاي محلي طي شده مي باشد محاسبه مي گردد..[2] (, j) D i + d ( i, j) D i = min + ( 1, j 1) + D( i, j 1) D( i 1, j) (3) قاب بندي اعمال پنجره حذف نويز محاسبه ضرايب مل كپستروم ايجاد ماتريس ويژگي ها شكل 2 :سيستم استخراج ويژگي ها ٢-١-٢ واحد تشخيص در اين مقاله براي تشخيص كلمات به كمك ويژگي ها از الگوريتم DTW استفاده شده است. در مقايسه كلمه مجهول با هر يك از الگو ها اين فاصله محاسبه شده و الگويي كه كمترين هزينه (فاصله سراسري) را ايجاد كند به عنوان كلمه بازشناسي شده معرفي مي گردد. در شكل 3 نماي كلي اين الگوريتم مشاهده مي شود. در اين روش بردار هاي ويژگي مربوط به هر قاب در يكي ازستون هاي ماتريس مقايسه قرار مي گيرد.تعدادستونهاي ماتريس متناسب با زمان اداي كلمه مي باشد اما تعداد سطرها بستگي به تعداد قابهاي كلمات الگو دارد. در روش DTW دو نوع فاصله محاسبه مي شود 10 9 محلي و فاصله سراسري. فاصله فاصله محلي فاصله محاسبه شده بين بردار ويژگي يك سيگنال و بردار ويژگي سيگنال ديگر است. با فرض اين كه X بردار ويژگي هاي قابي از سيگنال اول (الگو) و Y بردار ويژگي هاي قابي از سيگنال دوم (كلمه مجهول) باشد و هر يك از بردار ها داراي N عضو باشند و همچنين شماره سطرها با i و شماره ستون ها با j مشخص شوند فاصله محلي طبق رابطه زير محاسبه مي گردد. شكل 3: شماي كلي مقايسه كلمه با الگو بوسيله ماتريس DTW 3- بهينه سازي سيستم تشخيص در اين قسمت از مقاله به مساله بهينه سازي سيستم بيان شده در قسمت قبل پرداخته شده است. اين بهينه سازي به كمك الگوريتم ژنتيك صورت گرفته d N i j ( X, Y ) = ( X n ^2 Yn ^2) n= 1 (2)
است. ابتدا بايد مغياري براي سنجش مبزان عملكرد صحيح سيستم تعريف شود. همان گونه كه پيشتر گفته شد كلمه مجهول بايد با تمام الگوها مقايسه شود و الگويي كه كم تربن هزينه در تطابق با كلمه را ايجاد كند به عنوان كلمه بازشناسي شده معرفي مي شود. هر چه هزينه كلمه بازشناسي شده در مقايسه با هزينه تطابق ساير الگوها كمتر باشد (اليته اگر كلمه را درست تشخيص داده باشيم) شناسايي بهتر صورت گرفته است. پيش از اين بيان شد كه ويژگي هاي يك قاب ارزش يكساني ندارند و براي ارزش دهي به اين ويژگي ها مي توان براي هر ويژگي ضريبي در نظر گرفت. اين ضرايب به اين صورتند كه ويژگي داراي اهميت بالاتر ضريب بزرگتري دارد. حال مساله به اين شكل مطرح مي شود كه ضرايب چگونه انتخاب شوند تا معيار عملكرد بهينه شود. در اين مقاله به كمك الگوريتم ژنتيك و يك تابع كه براي نمونه هاي صداي يك شخص معيار ذكر شده را محاسبه مي كند سعي شده است در نهايت ضرايبي بدست آيند كه در صورت اعمال به بردار ويژگي ها معيار مقايسه بهترين برازندگي راداشته باشد. در ادامه به طور مختصر در مورد الگوريتم بهينه سازي استفاده شده در مقاله توضيح داده شده است. ابتدا الگوريتم ژنتيك به انضمام تنظيمات خاصي كه براي اين كاربرد لازم است بررسي مي شود. 1-3 -كاربرد الگوريتم ژنتيك در واحد تشخيص بهينه سازي در اين مقاله به كمك الگوريتم ژنتيك صورت پذيرفته است. روش كار اين گونه مي باشد كه ابتدا تابعي جهت بهينه سازي بوسيله الگوريتم تشكيل شده سپس 11 پارامتر هاي مربوط به الگوريتم نظير نوع عملگر انتخاب 13 12 احتمال و نوع عملگر برش(پيوند) عملگر جهش نسل 14 اوليه و... مشخص مي گردد. هر يك از اين پارامترها مي توانند در نتيجه الگوريتم نقشي تعيين كننده داشته باشند لذا به صورت مختصر به توضيح هر يك پرداخته مي شود. 1-1-3 -عملگر انتخاب اين عملگر با اعمال نوعي فشار سعي مي كند اعضاي قويتر جامعه (اعضايي كه در يك نسل برازندگي بيشتري دارند) را انتخاب كند تا بتوانند توليد مثلي با برازندگي بالاتر داشته باشند. در اين مقاله از عملگر uniform stochastic استفاده شده است. در نهايت همه اعضاي جامعه به صورت رشته هاي باينري در آمده و به عملگر برش سپرده مي شوند.[ 3 ] 2-1-3- عملگر برش به كمك اين عملگر عمل توليد مثل صورت مي گيرد. اين عملگر دو رشته را با يك احتمال مشخص از نقطه اي تصادفي بريده و سپس دو رشته دم هاي خود را با يكديگر معاوضه مي كنند. اگر برش رخ ندهد خود رشته ها به نسل بعد منتقل مي شوند. برش ممكن است از يك يا چند نقطه صورت پذيرد. در اين مقاله از برش يك نقطه اي استفاده شده است.[ 3,4 ] 3-1-3- عملگر جهش اين عملگر به اين دليل به كار گرفته مي شود كه تنوع ژنتيكي نسل ها حفظ شده تا الگوريتم به سمت مينيمم هاي محلي سرازير نشود. اين عملگر با يك احتمال كوچك روي هر بيت اعضاي نسل تاثير گذاشته و آن بيت را تغيير وضعيت مي دهد.[ 3,4 ] 4-1-3 -جمعيت اوليه از مساي ل مهم در بهينه سازي به كمك الگوريتم ژنتيك مساله جمعيت اوليه مي باشد. اگر جمعيت اوليه بزرگ باشد عملكرد بهتر است اما بهاي آن از دست دادن سرعت همگرايي الگوريتم مي باشد در اين مقاله نسل اوليه تنها 20 عضو دارد چون به علت حجم بالاي محاسبات(زيرا براي هر بار انجام الگوريتم بارها الگوريتم DTW اجرا مي شود.) سرعت پايين است. اما همان گونه كه در قسمت نتايج مشاهده خواهد شد همين تعداد عضو نيز كارايي بالايي در بهبود عملكرد سيستم نشان مي دهند. [5]
4 نتي- 2-3- نحوه اعمال الگوريتم ژنتيك به سيستم در اين مقاله براي بهينه سازي سيستم تشخيص از جعبه ابزار الگوريتم ژنتيك MATLAB استفاده شده است. به كمك اين جعبه ابزار تابع بحث شده(تابعي كه شامل معيار عملكرد است) به عنوان ورودي تعيين مي گردد سپس تعداد ورودي ها برابر 12 عدد مشخص مي شود زيرا بردار ويژگي كه بايد وزن دار شود 12 عضو به ازاي هر قاب دارد.سپس پارامتر هايي كه در قسمت هاي قبل بحث شد تنظيم گشته تا با توجه به خواسته كابر تابع بهينه گردد. تنها مساله باقي مانده شرط پايان الگوريتم است كه چون حجم محاسبات بالاست بهتر است كه زمان كوتاه براي الگوريتم در نظر گرفته نشود و معيار پايان از روي تعداد نسل هاي سپري شده مشخص گردد. در اين مقاله تعداد نسل ها سپري شده تنها 11 نسل بوده است اما همانطور كه در قسمت نتايج مشاهده مي گردد طي شدن همين تعداد نسل هم بهبود محسوسي بر عملكرد سيستم خواهد داشت. جهگيري در اين مقاله يك سيستم تشخيص وابسته به گوينده جهت بهينه سازي انتخاب شده است. سيستم مذكور به بازشناسي كلمات يك تا چهار مي پردازد سپس الگوريتم ژنتيك براي بهينه سازي اين سيستم بكار گرفته شد. ي ازفاصله ازهريك كلمات ديگرمحاسبه مي شود است كه هرچه اين مقاديرتفاضل منفي ترباشد(يع ين بديهي هزينه كلمه صحيح كوچك و هزينه كلمات ديگر بزرگ باشند) تشخيص صحيحتر صورت گرفته است. لازم به ذكر است كه همه فواصل نرماليزه شده اند يع ين بر مقدار بيشترين D تقسيم شده اندسپس مجموع مقادير 15 تفاضل به كمك يك سري توابع جريمه معيار مورد نظر را ايجاد كرده اند. نتايج اين دو آزمايش در جدول 1 و شكل 4 اراي ه شده است. ميزان بهبود عملكرد % جدول 1 -نتايج آزمايش عملكرد دو روش تشخيص معيار بعد از اعمال ضريب معيار قبل ازاعمال ضريب -١ ٠٣۶٧-١ ٠٣۴٢-0,24 كلمه مورد آزمون يک ر د ي ف 1-0,5589-0,6092 9 2 دو -1,1146-1,2665 13,63 3 سه 4 در اين روش ابتدا در پايگاه داده چهار واژه نمونه كه شامل 1,5877- چهار -1,7564 10,63 5 اداي كلمات يك تا چهار بودند ذخيره شد سپس براي مقايسه عملكرد سيستم سه گروه از كلمات به سيستم 0,8464- يك -0,9336 10,30 6 اعمال شد(هر گروه شامل كلمات يك تا چهار) هر كدام از 0,8358- دو -0,8252-1,27 7 اين كلمات جداگانه وارد الگوريتم تشخيص شده است اين كار در ابتدا بدون اعمال هيچ گونه ضريبي(براي بردار ويژگي 1,1135- سه -1,1209 0,66 8 ها) صورت گرفته و سپس به كمك الگوريتم ژنتيك ضرايب 1,2648- چهار -1,3263 4,86 9 بهينه محاسبه شده اند و به واحد شناسايي اعمال گشته اند.در اين قسمت چگونگي محاسبه ي معيار توضيح داده 1,0559- يك -1,1014 4,31 10 خواهد شد.روال كار به اين گونه است كه در مقايسه ي هر 1,3084- دو -1,5727 20,2 11 كلمه ي مجهول با الگوها چهار فاصله ي سراسري محاسبه مي شود (مثلا (D1,D2,D3,D4 در اين صورت براي هر 1,0852- سه -1,0167-6,31 12-1,3793-1,4838 7,58 كلمه ادا شده(مجهول) ي فاصله تفاضل كلمه صحيح چهار
شكل 4 -نمودار درصد بهبود تشخيص 25 20 15 10 5 0-5 1 2 3 4 5 6 7 8 9 10 11 12 13-10 همان گونه كه در جدول مشاهده مي شود در بيشتر موارد قدرت شناسايي به كمك الگوريتم ژنتيك بالا تر رفته است. از جدول مي توان ميانگين ميزان بهبود را برابر % 6,11 محاسبه كرد. بديهي است هر چه مجموعه آموزشي كامل تر شود نتايج دقيقتر خواهد شد. سپاسگزاري در اينجا لازم است از راهنمايي هاي جناب آقاي دكتر مافي نژاد و جناب آقاي مهندس معروضي قدرداني شود. [6] محمد تاجميري و مهرداد نوراني,"موازي سازي الگوريتم ه يا تشخيص گفتار",پنجمين كنفرانس مهندسي برق ايران, دانشگاه صنعتي شريف,١٣٧۶ 1-Dy n ami c T i me W ar p i n g 2-Isolated word recognition 3 - F eat u re ex t r act i o n 4 - C o st fu n ct io n 5 - R eal t i me 6 - Ov er l ap 7 - M el -Cep st r u m 8 - L i n ear P red i ct i o n C o d i ng 9 - L o cal d i st an ce 1 0 - Gl o b al d i st an ce 1 1 - S el ect i o n o p er at o r 1 2 - C r o ss o v er o p er at o r 1 3 - M u t at i o n o p er at o r 14-Initial population 15-penalty functions پي نوشت ها مراجع [1] L. R. RABINER and R. W. SCHAFER, "Digital Processing of Speech Signals," Prentice Hall, New Jersey, 1978 [2] Dr.John G.Harris, Isolated Word,Speech Recognition Using Dynamic Time Warping towards smart appliances,project towards eel 6825:pattern recognition [3]Coley D.A., An Introduction to genetic Algorithms for scientists and engineers, word scientific,2000 [4]Goldberg D.E, Genetic Algorithms in Search Optimization and Machine Learning,Adisson Wesley Longman Inc.,1997 [5] Homaifar, A., Lai, SH, & Qi, X.. Constrained optimization via genetic algorithms. Simulation, 62 (4), 242-254,1994