РАСПОЗНАВАНИЕ РЕЧИ МЕТОДАМИ СКРЫТЫХ МАРКОВСКИХ МОДЕЛЕЙ В АССОЦИАТИВНОЙ
ОСЦИЛЛЯТОРНОЙ СРЕДЕ

Огнев Иван Васильевич, доктор технических наук, профессор, кафедра вычислительной техники, Национальный исследовательский университет «Московский энергетический институт»
(Россия, г. Москва, ул. Красноказарменная, 14), OgnevIV@mpei.ru
Парамонов Павел Александрович, аспирант, Национальный исследовательский университет «Московский энергетический институт» (Россия, г. Москва, ул. Красноказарменная, 14), pa.pawka@gmail.com

 681.3

Актуальность и цели. Актуальность и цели. В основе применения скрытых марковских моделей лежат рекурсивные процедуры, обладающие вычислительной сложностью. При этом от систем автоматического распознавания речи часто требуется, чтобы они работали в режиме реального времени, поэтому повышение;быстродействия для таких систем является актуальной задачей.
Материалы и методы. Одним из путей решения данной задачи является реализация аппаратной поддержки вычислений в ассоциативной осцилляторной среде. Она обладает малыми аппаратными затратами из-за простоты базовых клеточных ансамблей и выполняемых ими функций и высоким быстродействием, не зависящим от длины наблюдаемой последовательности и количества состояний скрытых марковских моделей, благодаря массовому параллелизму и конвейерному характеру вычислений.
Результаты. Предложена аппаратная реализация вычисления функции вероятности прямого распространения в среде. В пакете Matlab составлена программная модель, с помощью которой была экспериментально оценена точность результата вычисления в ассоциативной осцилляторной среде на примере распознавания русских слов.
Выводы. Полученная оценка точности результата на примере распознавания русских слов показала эффективность используемой модели.

Ключевые слова

ассоциативная среда, распознавание речи, скрытые марковские модели.

 Скачать статью в формате PDF

1. Becchetti, C. Speech Recognition. Theory and C++ Implementation / C. Becchetti, L. P. Ricotti. – Wiley, 1999. – 428 p.
2. Huang, X. Spoken language processing: a guide to theory, algorithm, and system development / X. Huang, A. Acero. – Prentice Hall, 2001. – 1008 p.
3. Mosleh, M. FPGA implementation of a linear systolic array for speech recognition based on HMM / M. Mosleh, S. Setayeshi, M. Mehdi Lotfinejad, A. Mirshekari // The2nd International Conference on Computer and Automation Engineering (ICCAE). – 2010. – Vol. 3. – P. 75–78.
4. Огнев, И. В. Предварительная обработка речевого сигнала для построения базы произношений одиночных слов / И. В. Огнев, П. А. Парамонов // Информационные средства и технологии : тр. XX Междунар. науч.-техн. конф. – М. : МЭИ, 2012. – С. 53–58.
5. Ognev, I. V. The use of extrema distribution as a feature vector for speech patterns recognition / I. V. Ognev, A. I. Ognev, P. A. Paramonov, N. A. Sutula // Pattern Recognition and Image Analysis: New Information Technologies : the 11th International Conference. – 2013. – Vol. 1. – P. 114–117.
6. Rabiner, L. Fundamentals of speech recognition / L. Rabiner, B.-H. Juang. – Prentice Hall, 1993. – 507 p.
7. Рабинер, Л. Скрытые марковские модели и их применение в избранных приложениях при распознавании речи: Обзор / Л. Рабинер // Труды института инженеров по электротехнике и радиоэлектронике. – М. : Мир, 1989. – Т. 77, № 2. – С. 86–120.
8. Комаров, А. Н. Исследование и разработка ассоциативных сред и методов обработки информации : дис. … канд. техн. наук / Комаров А. Н. – М. : МЭИ(ТУ), 2002. – 194 с.
9. Комаров, А. Н. Базовые клеточные ансамбли ассоциативных осцилляторных сред и возможности их расширения / А. Н. Комаров, И. В. Огнев, П. Б. Подолин //
Вычислительные системы и технологии обработки информации : межвуз. сб. научн. тр. – Вып. 5 (30). – Пенза : Инф.-изд. центр ПГУ, 2006. – 200 с.
10. Огнев, И. В. Распознавание символов в ассоциативной осцилляторной среде / И. В. Огнев, П. Б. Подолин // Известия высших учебных заведений. Поволжский регион. Сер. Технические науки. – 2006. – № 6. – С. 55–66.