مشین لرننگ الگورتھم (1) کا استعمال کرتے ہوئے سپیچ سگنلز سے فیچر پیرامیٹر نکالنا بہتر

خلاصہ: اسپیچ ریکگنیشن سے مراد اسپیچ سگنل حاصل کرنے کے لیے سافٹ ویئر یا ہارڈ ویئر کی صلاحیت ہے، اسپیچ سگنل میں اسپیکر کی خصوصیات کی نشاندہی کرنا، اور اس کے بعد اسپیکر کو پہچاننا۔ عام طور پر، تقریر کی شناخت کے عمل میں تین اہم مراحل شامل ہیں: صوتی پروسیسنگ، خصوصیت نکالنا، اور درجہ بندی/تسلیم۔ فیچر نکالنے کا مقصد سگنل کے اجزاء کی پہلے سے متعین تعداد کا استعمال کرتے ہوئے اسپیچ سگنل کی وضاحت کرنا ہے۔ اس کی وجہ یہ ہے کہ صوتی سگنل میں موجود تمام معلومات کو سنبھالنے کے لیے ضرورت سے زیادہ بوجھل ہے، اور کچھ معلومات شناخت کے کام میں غیر متعلقہ ہیں۔ یہ مطالعہ مشین لرننگ پر مبنی نقطہ نظر کی تجویز پیش کرتا ہے جو ریئل ٹائم سمارٹ سٹی ماحول میں اسپیچ ریکگنیشن ایپلی کیشنز کی کارکردگی کو بہتر بنانے کے لیے اسپیچ سگنلز سے فیچر پیرامیٹر نکالتا ہے۔ مزید یہ کہ، مرکزی میموری کے بلاک کو کیشے میں نقشہ بنانے کے اصول کو کمپیوٹنگ کے وقت کو کم کرنے کے لیے مؤثر طریقے سے استعمال کیا جاتا ہے۔ کیش میموری کا بلاک سائز ایک پیرامیٹر ہے جو کیشے کی کارکردگی کو سختی سے متاثر کرتا ہے۔ خاص طور پر، ریئل ٹائم سسٹمز میں اس طرح کے عمل کے نفاذ کے لیے حساب کی تیز رفتار کی ضرورت ہوتی ہے۔ پروسیسنگ کی رفتار ریئل ٹائم سسٹمز میں تقریر کی شناخت میں اہم کردار ادا کرتی ہے۔ اس کے لیے جدید ٹیکنالوجیز اور تیز رفتار الگورتھم کے استعمال کی ضرورت ہے جو اسپیچ سگنلز سے فیچر کے پیرامیٹرز کو نکالنے میں سرعت کو بڑھاتے ہیں۔ اسپیچ سگنلز کی ڈیجیٹل پروسیسنگ کے دوران اوور کلاکنگ کے مسائل ابھی مکمل طور پر حل ہونا باقی ہیں۔ تجرباتی نتائج یہ ظاہر کرتے ہیں کہ مجوزہ طریقہ سگنل کی خصوصیات کو کامیابی کے ساتھ نکالتا ہے اور دوسرے روایتی اسپیچ ریکگنیشن الگورتھم کے مقابلے ہموار درجہ بندی کی کارکردگی کو حاصل کرتا ہے۔

Cistanche deserticola

مطلوبہ الفاظ: تقریر کی شناخت متوازی کمپیوٹنگ؛ تقسیم شدہ کمپیوٹنگ؛ ملٹی کور پروسیسر؛ خصوصیت کا اخراج؛ سپیکٹرل تجزیہ

1. تعارف

جدید مصنوعی ذہانت میں انسانوں اور کمپیوٹر ٹکنالوجی کے درمیان مواصلاتی طریقوں کا قیام ایک اہم کام ہے۔ صارفین کے لیے معلومات داخل کرنے کا ایک آسان ترین طریقہ اسپیچ سگنلز کے ذریعے ہے۔ اس لیے اسپیچ سگنل پروسیسنگ ٹیکنالوجی اور اس کے ٹولز انفارمیشن سوسائٹی کا لازمی حصہ بن چکے ہیں۔ اسپیچ ریکگنیشن اسپیچ سگنل پروسیسنگ کا ایک ضروری تحقیقی پہلو ہے اور انسانی-کمپیوٹر کے تعامل کی ایک اہم تکنیک ہے۔ تقریری اشاروں میں معنوی، ذاتی اور ماحولیاتی معلومات ہوتی ہیں [1]۔ اسپیچ سگنل پروسیسنگ کا عمومی طریقہ یہ ہے کہ مختصر مدت کے تجزیہ کا استعمال کیا جائے، جس میں سگنل کو ایک مقررہ سائز کی ٹائم ونڈوز میں تقسیم کیا جاتا ہے، یہ فرض کرتے ہوئے کہ سگنل کے پیرامیٹرز تبدیل نہیں ہوتے ہیں۔ زیادہ درست سگنل کی نمائندگی حاصل کرنے کے لیے کھڑکیوں کے درمیان ایک اوورلیپ رکھا جاتا ہے۔ خصوصیت نکالنے والے الگورتھم جیسے اسپیکٹرل تجزیہ اور لکیری پیشین گوئی ہر ونڈو پر لاگو ہوتے ہیں۔ تاہم، ان عمل کو رفتار اور وقت پر بھی غور کرنا چاہیے۔

صحرائی ginseng

ریئل ٹائم سگنل پروسیسنگ کے کئی شعبوں میں ٹائمنگ ایک اہم تشویش ہے۔ پروسیسنگ کی رفتار کا تناسب پروسیسر کے وسائل کو مؤثر طریقے سے استعمال کرکے اور ڈیجیٹل پروسیسنگ کے وقت کو کم کرنے کے لیے نئے اور تیز الگورتھم تیار کرکے بڑھایا جاسکتا ہے۔ تاہم، اعلی کارکردگی والے کمپیوٹنگ کے مسائل ابھی تک مکمل طور پر حل نہیں ہوئے ہیں [2]۔ مزید برآں، ڈیجیٹل سگنل پروسیسنگ ہارڈویئر اور سافٹ ویئر کی ترقی کے ساتھ خودکار تقریر کی شناخت میں خاطر خواہ پیش رفت ہوئی ہے۔ تاہم، ان ترقیوں کے باوجود، مشینیں درستگی اور رفتار کی شناخت کے لحاظ سے اپنے انسانی ہم منصبوں کی کارکردگی سے مماثل نہیں ہوسکتی ہیں، خاص طور پر اسپیکر سے آزاد تقریر کی شناخت میں۔ اس طرح، تقریر کی شناخت پر کی گئی تحقیق کی ایک بڑی مقدار نے تقریر کی شناخت کے مسائل پر توجہ مرکوز کی ہے جو اسپیکر سے آزاد ہیں، وسیع پیمانے پر ایپلی کیشنز اور دستیاب تقریر کی شناخت کی تکنیکوں کی حدود کی وجہ سے [3]۔

خلاصہ یہ کہ مطالعہ کی اہم شراکتیں درج ذیل ہیں:

سیستان کی چائے

Cistanche deserticola چائے کی مصنوعات دیکھنے کے لیے یہاں کلک کریں۔

【مزید پوچھیں】 ای میل:cindy.xue@wecistanche.com / واٹس ایپ: 0086 18599088692 / وی چیٹ: 18599088692

تقریر کے اشاروں سے کسی شخص کی شناخت کا عمل کئی مراحل پر مشتمل ہوتا ہے۔ ان میں سے، کچھ اقدامات زیادہ حساب وقت کی ضرورت ہے. یہ ایک سپیکٹرل تجزیہ ہے۔ مشین لرننگ الگورتھم میں خاص طور پر اہم پیرامیٹرز میں سے ایک ٹریننگ کا وقت ہے۔ اس کام میں، ہم نے پایا کہ اسپیچ سگنلز کی شناخت کے لیے خصوصیات نکالنے کا عمل اہم ہے۔ مزید برآں، مشین لرننگ میں کافی وقت لگتا ہے۔ یہ قائم کیا گیا ہے کہ سپیکٹرل تجزیہ کا عمل آزادانہ کارروائیوں پر مشتمل ہے، اور متوازی ممکن ہے۔

تجربات سے معلوم ہوا ہے کہ FFT اور DCT سپیکٹرل تبدیلیاں سپیکٹرل تجزیہ میں اچھے نتائج دیتی ہیں۔ سپیکٹرل تجزیہ کا عمل اسپیچ سگنل کے ہر حصے کے لیے درست ہے۔ یہ ہمیں ان خصوصیات کو اسپیچ سگنل سے واضح طور پر الگ کرنے کی اجازت دیتا ہے۔ OpenMP اور TBB ٹولز کی مدد سے، ایک متوازی کمپیوٹنگ الگورتھم تیار کیا گیا جس نے حسابات کو تیز کرنا ممکن بنایا۔

اسپیچ سگنل کو حصوں میں تقسیم کرتے وقت سیگمنٹ کا سائز اہم ہوتا ہے۔ تجربات کے دوران پتہ چلا کہ اسپیچ سگنل کے سیگمنٹ کا سائز مرکزی پروسیسر کی کیش میموری پر منحصر ہے۔ خاص طور پر، ملٹی کور پروسیسرز میں کیشے کے سائز سے ملاپ والے حصے کا مشین لرننگ میں کمپیوٹیشنل رفتار پر مثبت اثر پایا گیا ہے۔

ٹی بی بی اور اوپن ایم پی کا استعمال کرتے ہوئے ملٹی کور پروسیسرز پر مشین لرننگ الگورتھم کا استعمال کرتے ہوئے سپیچ سگنلز سے فیچر پیرامیٹر نکالنے کے لیے سگنلز کی سپیکٹرل تبدیلیوں کے لیے ایک نیا متوازی نفاذ کا طریقہ تجویز کیا گیا ہے۔

یہ بھی پایا گیا کہ مین میموری بلاک کو کیشے میں میپ کرنے کے اصول کا موثر استعمال اور کیش میموری بلاک کا سائز پروسیسنگ کی رفتار کو بڑھا سکتا ہے۔

میرے نزدیک Cistanche ضمیمہ - یادداشت کو بہتر بنانے والا

اس مقالے کا بقیہ حصہ حسب ذیل ترتیب دیا گیا ہے۔ سیکشن 2 مخصوص اسپیچ سگنل کی خصوصیات کو نکالنے کے لیے موجودہ مطالعات کا جائزہ لیتا ہے۔ سیکشن 3 تجربات کے ساتھ خصوصیت نکالنے کے مراحل کی وضاحت کرتا ہے۔ سیکشن 4 اسپیچ سگنلز سے فیچر کے پیرامیٹرز کو تفصیل سے نکالنے کے لیے مجوزہ ہائی پرفارمنس کمپیوٹیشنل الگورتھم پیش کرتا ہے۔ ہمارے نفاذ پر مبنی تجرباتی نتائج کا سیکشن 5 میں تبادلہ خیال کیا گیا ہے۔ سیکشن 6 مجوزہ طریقہ کی حدود کو نمایاں کرتا ہے۔ آخر میں، سیکشن 7 نتائج کا خلاصہ کرکے اور مستقبل کی تحقیق کی سمتوں کو نوٹ کرکے مطالعہ کا اختتام کرتا ہے۔

2. متعلقہ کام

اسپیچ سگنلز کی تقسیم اور منتخب ٹکڑوں کے پیرامیٹرک انڈیکیٹرز کے حساب کتاب کے لیے فی الحال نئے طریقے، الگورتھم، اور مزید جدید ایپلی کیشنز تیار اور بہتر کی جا رہی ہیں، اس طرح سپیکٹرل تجزیہ [4–7] کا استعمال کرتے ہوئے اسپیچ سگنلز کا ایک سپیکٹروگرام بنایا جا رہا ہے۔ دنیا بھر میں متنوع صوتی کلپس کے ساتھ اسپیکر کی شناخت ایک اہم اور چیلنجنگ کام ہے، خاص طور پر بھرپور اور امتیازی خصوصیات کو نکالنے میں [8]۔ ایک ناول میل فریکوئنسی سیپسٹرل کوفیشینٹس (MFCC) فیچر نکالنے کا نظام جو روایتی MFCC کے ادراک سے تیز اور زیادہ توانائی کا حامل ہے Korkmaz et al نے تجویز کیا تھا۔ [9]۔ ہائی پاس پری زور دینے والا فلٹر استعمال کرنے کے بجائے، انہوں نے کم پاس فلٹر استعمال کیا۔ انہوں نے ایک بینڈ پاس فلٹر کو ہائی پاس فلٹر کے ساتھ لاگو کیا کیونکہ ہائی فریکونسیز میں سگنل کی توانائی کو بڑھانے کے لیے پہلے سے زور دینے کی ضرورت ہے۔ ہمارے پچھلے کام [10] میں، ہم نے اسپیکر کی شناخت کے لیے ایک ناول MFCC پر مبنی طریقہ پیش کیا۔ روایتی MFCCs استعمال کرنے کے بجائے، ہم میل سپیکٹروگرام سے پکسلز کو اپنے فیچر سیٹ کے طور پر استعمال کرتے ہیں۔ نیا ڈیٹا سیٹ بنانے کے لیے سپیکٹروگرام کو ایک 2-D صف میں تبدیل کر دیا گیا تھا۔ اسپیکر کی شناخت کے لیے، کئی سیکھنے کے الگورتھم کو ایک 10-فولڈ کراس توثیق تکنیک کے ساتھ عملی جامہ پہنایا گیا۔ tanh ایکٹیویشن فنکشن کے ساتھ ملٹی لیئر پرسیپٹرون (MLP) کی مدد سے 90.2 فیصد کی بہترین درستگی حاصل کی گئی۔

خصوصیت کا اخراج اسپیچ ویوفارم کو پیرامیٹرک نمائندگی کی شکل میں تبدیل کرکے بعد میں پروسیسنگ اور تجزیہ [11–14] کے لیے نسبتاً کم ڈیٹا ریٹ پر مکمل کیا جاتا ہے۔ فیچر نکالنے کے طریقے عام طور پر ہر اسپیچ سگنل کے لیے کثیر جہتی فیچر ویکٹر حاصل کرتے ہیں۔ خصوصیت نکالنا اسپیکر کی شناخت کا سب سے زیادہ متعلقہ حصہ ہے۔ تقریر کی خصوصیات ایک مقرر کو دوسروں سے الگ کرنے میں ایک اہم حصہ رکھتی ہیں۔ خصوصیت نکالنے سے اسپیچ سگنل کی وسعت کم ہوجاتی ہے، اسپیچ سگنل کی طاقت کو کوئی نقصان پہنچانے سے خالی [15–17]۔ [18] میں، مصنفین نے ایک نیا نقطہ نظر متعارف کرایا جو سپیکٹرل تجزیہ ونڈو کے سائز اور شفٹ پیرامیٹرز کی ٹھیک ٹیوننگ کا فائدہ اٹھاتا ہے جس کا استعمال اسپیکر پر منحصر خودکار اسپیچ ریکگنیشن کی کارکردگی کو بہتر بنانے کے لیے ابتدائی شارٹ ٹائم فوئیر ٹرانسفارم کی گنتی کے لیے کیا جاتا ہے۔ (ASR) سسٹم۔ ڈاکٹروں کی غیر موجودگی میں، عام لوگ فیصلہ سازی کے نظام کو استعمال کر سکتے ہیں جو مصنوعی ذہانت کے طریقوں کا استعمال کرتے ہوئے بنائے گئے تھے۔ فونو کارڈیوگرام (PCG) سگنلز [19-21] کے ذریعے ابتدائی اور غیر حملہ آور دل کی حالت کا پتہ لگانا مکمل کیا جا سکتا ہے۔

Convolutional Neural نیٹ ورکس (CNNs) کو فیچر اسپیس میں ساختی لوکلٹی کو کامیابی کے ساتھ نقل کرنے کے ساتھ ساتھ متعصب فریکوئنسی والے علاقے کے اندر پولنگ کو ملازمت دینے کا مظاہرہ کیا گیا ہے تاکہ ترجمہی تغیرات کو کم کیا جا سکے اور خصوصیت کی جگہ میں خلل اور چھوٹی تبدیلیوں کو ایڈجسٹ کیا جا سکے۔ مخامادیف وغیرہ۔ ازبک زبان اور اس کی بولیوں کے لیے اینڈ ٹو اینڈ ڈیپ نیورل نیٹ ورک سے پوشیدہ مارکوف ماڈل اسپیچ ریکگنیشن ماڈل اور ایک ہائبرڈ کنکشنسٹ عارضی درجہ بندی (سی ٹی سی) - توجہ دینے والا نیٹ ورک تجویز کیا۔ مجوزہ نقطہ نظر تربیت کے وقت کو کم کرتا ہے اور توجہ کے ماڈل کی تربیت میں CTC مقصدی فنکشن کو مؤثر طریقے سے استعمال کرکے تقریر کی شناخت کی درستگی کو بہتر بناتا ہے [23]۔ ایک جہتی کنوولیشنل نیورل نیٹ ورک (CNN) ماڈل کا استعمال کرتے ہوئے فیچر نکالنے اور درجہ بندی کی تجویز دی گئی تھی، جو کہ دل کی آواز کے سگنلز کو عام اور غیر معمولی میں تقسیم کرتا ہے جو الیکٹروکارڈیوگرام (ECG) سے براہ راست آزاد ہے، [24] میں تجویز کیا گیا تھا۔ ان کا دعویٰ ہے کہ درجہ بندی کی درستگی 1D CNN میں 2D CNN کے مقابلے میں زیادہ ہوتی ہے اس مطالعے میں استعمال ہونے والے دل کی آواز کے سگنلز کے لیے جب convolution kernel 52 سے کم ہوتا ہے کیونکہ ایک بڑا convolution kernel کمپیوٹیشنل پیچیدگی کا باعث بن سکتا ہے اور اس میں تیزی سے وقت لگتا ہے۔ . [25] میں، ایک گہرے عصبی نیٹ ورک کو TIMIT ڈیٹا بیس (TIMIT Acoustic-Phonetic Continuous Speech Corpus) کا استعمال کرتے ہوئے تقریر کی خصوصیت کے سلسلے سے متعلق صوتی ماڈلز کے ریاستی ترتیبوں کے بعد کی درستگی کو زیادہ سے زیادہ کرنے کے لیے تربیت دی گئی۔

3. پری پروسیسنگ: مواد کا جائزہ

میرے نزدیک Cistanche ضمیمہ - یادداشت کو بہتر بنانے والا

اس مقصد کے لیے، سپیچ سگنلز اور پیرامیٹرک نمائندگی سے فیچر کے پیرامیٹرز کو نکالنے کے لیے تیز رفتار الگورتھم کی ترقی، پروسیسنگ کے لیے مددگار اور معلوماتی نمونوں کا اخراج، اور منتخب صوتی حصوں کے سپیکٹروگرام کے نفاذ کے لیے پروگراموں کی ترقی ناگزیر ہے۔

تقریر کی شناخت کے نظام دو اہم ذیلی نظاموں پر مشتمل ہیں:

اسپیچ سگنلز کی بنیادی پروسیسنگ (فونوگرام)؛

ذہین الگورتھم (سپیکٹروگرام) کا استعمال کرتے ہوئے صوتی علامتوں کی درجہ بندی۔

پہلا سب سسٹم صوتی علامتیں سگنلز اور سگنل کی خصوصیات کی معلوماتی صوتی خصوصیات کے ایک سیٹ کے طور پر تیار کرتا ہے۔ دوسرا سب سسٹم اسپیچ سگنل کو حاصل کردہ صوتی خصوصیات کی بنیاد پر پیرامیٹرک شکل میں تبدیل کرتا ہے۔ اسپیچ سگنل پروسیسنگ مندرجہ ذیل مراحل پر مشتمل ہے:

تقریر سگنل کی حدود کی علیحدگی؛

ڈیجیٹل فلٹرنگ؛

انقطاع

ایک ہموار ونڈو کی درخواست؛

سپیکٹرل تبدیلی، اور سپیکٹرل فریکوئنسیوں کو معمول پر لانا۔

یہ اقدامات اسپیچ سگنلز سے فیچر پیرامیٹرز کو نکالنے کے لیے بڑے پیمانے پر استعمال کیے جاتے ہیں، اور ان کی اہم خصوصیات کو درج ذیل میں سمجھا جاتا ہے۔

3.1 حدود کی علیحدگی

آنے والے سگنل سے تقریر کے صرف حصوں کو نکالنا یا شور مچانے والے ماحول میں کسی جملے کے شروع اور اختتامی لمحات کا تعین اسپیچ پروسیسنگ میں ایک ضروری کام ہے۔ اس مسئلے کو حل کرنے کے لیے اسپیچ سگنل کی درج ذیل خصوصیات کا استعمال کیا جاتا ہے: اسپیچ سگنل کی قلیل مدتی توانائی، صفر پر آپس میں جڑنے والے پوائنٹس کی تعداد، سگنل کے اندر خاموشی والے فیلڈ کی قدروں کی تقسیم کی کثافت، اور سپیکٹرل اینٹروپی روایتی اسپیچ ریکگنیشن سسٹم ایسی تکنیکوں کا استعمال کرتے ہیں جو آنے والے اسپیچ سگنلز [26-28] سے اسپیچ کی حدود کا تعین کرنے کے لیے سگنل کی عارضی اور سپیکٹرل انرجی (جیسے آواز کی سرگرمی کا پتہ لگانے) پر مبنی ہوتی ہیں۔

اسپیچ سگنل کے اہم پیرامیٹرز اسپیچ سگنل کی قلیل مدتی توانائی اور صفر سے گزرنے والے پوائنٹس کی تعداد ہیں۔ ایک اصول کے طور پر، ایک تقریر سگنل کے پیرامیٹرز وقت کے ساتھ تیزی سے تبدیل ہوتے ہیں؛ لہٰذا، اسپیچ سگنل کو 10 سے 30 ایم ایس لمبائی کے ٹکڑوں میں پروسیس کرنے کا رواج ہے جو اوورلیپ نہیں ہوتے ہیں۔ اسپیچ سگنل اس رینج کے اندر ساکن ہے، اور اسپیچ سگنل میں خاموشی کے علاقوں کو عارضی توانائی کا حساب لگا کر ہٹا دیا جاتا ہے۔ اس مسئلے کو حل کرنے کے الگورتھم کو اگلے اسپیچ سگنل کی 256 قلیل مدتی توانائی کی قدروں کے N تسلسل میں تقسیم کیا گیا ہے۔

اسپیچ سگنل کو تقسیم کرکے ہر ٹکڑے کی توانائی کا حساب متوازی اور تقسیم شدہ کمپیوٹنگ کے لیے موزوں ہے۔ ہر ٹکڑا آزادانہ طور پر عملدرآمد کیا جاتا ہے. اگر پروسیسنگ کو این کور ملٹی پروسیسر میں لاگو کیا جاتا ہے، تو بیک وقت n ٹکڑوں کی توانائی کا حساب لگانا ممکن ہوگا۔ لہذا، اس مرحلے [29-32] کے دوران متوازی پروسیسنگ کی کارکردگی میں اضافہ ممکن ہے۔

3.2 زیرو کراسنگ کی تعداد

صفر کراسنگ ایک ایسا نقطہ ہے جس پر ریاضی کے فنکشن کا نشان بدل جاتا ہے (مثال کے طور پر، مثبت سے منفی میں)، جسے فنکشن کے گراف میں محور (صفر ویلیو) کے وقفے سے ظاہر کیا جاتا ہے [33]۔ سگنل میں زیرو کراسنگ فریکوئنسی اس کی سپیکٹرل خصوصیات کا سب سے سیدھا اشارہ ہو سکتا ہے۔ مثال کے طور پر، اسپیچ سگنل میں صفر سے گزرنے والے پوائنٹس کی تعداد کا تعین درج ذیل مساوات کا استعمال کرتے ہوئے کیا جا سکتا ہے۔

شکل 1. سپیکٹرل اینٹروپی تجزیہ پر مبنی تقریر کی علیحدگی کا طریقہ۔

3.3 ڈیجیٹل فلٹرنگ

ایک عام، مفید سگنل کے علاوہ، مختلف قسم کے شور موجود ہیں۔ چونکہ شور اسپیچ ریکگنیشن سسٹم کے معیار کو منفی طور پر متاثر کرتا ہے، اس لیے شور سے نمٹنا ایک اہم مسئلہ ہے۔ سسٹم میں شور کی سطح کو کم کرنے کے لیے دو قسم کے ڈیجیٹل فلٹرز استعمال کیے جاتے ہیں: ایک لائن فلٹر اور ایک ابتدائی فلٹر۔ ایک لکیری فلٹر کو کم اور اعلی تعدد والے فلٹرز کا مجموعہ سمجھا جا سکتا ہے کیونکہ یہ تمام کم اور زیادہ تعدد کو پکڑتا ہے۔ ابتدائی فلٹرنگ کا اطلاق خصوصیت کے نشانات پر مقامی خلل کے اثرات کو کم کرنے کے لیے کیا جاتا ہے جو بعد میں شناخت کے لیے استعمال ہوتے ہیں۔ سپیچ سگنل کو سپیکٹرل الائنمنٹ کے لیے کم پاس فلٹر سے گزرنا چاہیے [35]۔

3.4 سیگمنٹیشن

سیگمنٹیشن اسپیچ سگنل کو مجرد، غیر اوور لیپنگ ٹکڑوں میں تقسیم کرنے کا عمل ہے۔ سگنل کو عام طور پر تقریری اکائیوں میں تقسیم کیا جاتا ہے جیسے جملے، الفاظ، نحو، صوتیات، یا اس سے بھی چھوٹی صوتیاتی اکائیاں۔ ریکارڈنگ کی تقسیم جس میں متعدد مقررین کے اقوال ہوتے ہیں اس میں مخصوص بولنے والوں کی طرف منسوب الفاظ کے ٹکڑوں پر مشتمل ہوسکتا ہے۔ اصطلاح "سیگمنٹ سٹیشنز" بعض اوقات اسپیچ سگنل کو اس کے پیرامیٹرائزیشن [36,37] سے پہلے فریموں میں تقسیم کرنے کے لیے استعمال کیا جاتا ہے۔

3.5 سپیکٹرل ٹرانسفارمیشن

تقریر کی شناخت کے عمل کے بعد کے مراحل میں استعمال ہونے والے اسپیچ سگنلز کی اہم خصوصیات میں فرق کرنا ضروری ہے۔ ابتدائی خصوصیات کا تعین اسپیچ سگنلز کی سپیکٹرل خصوصیات کا تجزیہ کرکے کیا جاتا ہے۔ فاسٹ فوئیر ٹرانسفارم الگورتھم عام طور پر اسپیچ سگنل کی سپیکٹرل فریکوئنسی حاصل کرنے کے لیے استعمال ہوتا ہے [38,39]۔

3.6۔ سپیکٹرل تعدد کو معمول بنانا

ذہین الگورتھم میں سارا کمپیوٹیشنل عمل حرکت پذیر اعشاریہ پر مبنی ہے۔ لہذا، عصبی نیٹ ورکس کا استعمال کرتے ہوئے درجہ بندی کی گئی اشیاء کے پیرامیٹرز حد تک محدود ہیں [{{0}}۔{3}}، 10]۔ عصبی نیٹ ورک کا استعمال کرتے ہوئے سپیکٹرل پروسیسنگ کو لاگو کرنے کے لئے نتیجے میں سپیکٹرم کو 0 اور 1 کے درمیان معمول بنایا جاتا ہے۔ اس کو حاصل کرنے کے لیے، ہر ویکٹر جزو کو اس کے زیادہ سے زیادہ اجزاء میں تقسیم کیا جاتا ہے۔

سپیکٹرل پروسیسنگ کے طریقے تمام ڈیٹا کے نمونوں کے استعمال کو قابل بناتے ہیں جو اسپیچ سگنل سے حاصل کیے جاتے ہیں۔ بہت سے اسپیچ سگنلز کی ایک مخصوص فریکوئنسی کی ساخت اور سپیکٹرل خصوصیات ہوتی ہیں۔ سپیکٹرل طریقے اسپیچ سگنلز کی اعلی صحت سے متعلق پروسیسنگ فراہم کرتے ہیں۔ سپیکٹرل پروسیسنگ کے نقصانات میں سگنلز کی مقامی خصوصیات میں کم لچک، سپیکٹرل ڈائمینشنز کی کمی اور نسبتاً زیادہ کمپیوٹیشنل اخراجات شامل ہیں۔

اسپیچ سگنلز کی سپیکٹرل پروسیسنگ میں فوئیر ٹرانسفارمیشن، ویولیٹ تجزیہ، اور بہت سے دوسرے الگورتھم بڑے پیمانے پر استعمال ہوتے ہیں۔ فوئیر ٹرانسفارمیشن سائنس کے بہت سے شعبوں میں استعمال ہوتی ہے، بشمول اسپیچ پروسیسنگ۔ اسپیچ سگنل پروسیسنگ میں، فوئیر ٹرانسفارمیشن سگنل کو ٹائم فیلڈ سے سپیکٹرل فیلڈ میں فریکوئنسی جزو کے طور پر تبدیل کرتی ہے [40]۔

پچھلے مطالعات میں، مجرد فوئیر ٹرانسفارم (DFT)، ڈسکریٹ کوزائن ٹرانسفارم (DCT)، مختصر مدت کے فوئیر ٹرانسفارم، اور ویولیٹ ٹرانسفارم کو سپیکٹرل تجزیہ کے لیے لاگو کیا گیا تھا۔ یہ طریقے اسپیچ سگنل کے ٹکڑوں کو فریکوئنسی ڈومین میں تبدیل کرنے اور سپیکٹرم کا حساب لگانے کے لیے استعمال کیے گئے تھے۔ TBB اور OpenMP پیکجوں کو سپیکٹرل تبدیلیوں کے لیے متوازی الگورتھم بنانے کے لیے استعمال کیا گیا تھا۔ ان طریقوں میں، کمانڈ سگنل کو فریموں میں تقسیم کرتی ہے۔ مثال کے طور پر، ہر فریم کے لیے N=16، 32، …، یا 4096 [4]۔ ہر تخلیق کردہ فریم کا سائز کیش میموری کے بلاک سائز کے برابر ہے کیونکہ کیش میموری ایک ایسا عنصر ہے جو متوازی پروسیسنگ کی کارکردگی کو متاثر کرتا ہے۔ ایکسلریشن کے نتائج کو تصویر 2 میں دکھایا گیا ہے۔

شکل 2. (a) چار اور (b) آٹھ کور پروسیسرز کے لیے سرعت کے نتائج۔

متوازی پروسیسنگ الگورتھم کے سافٹ ویئر کے نفاذ کے لیے، چار اور آٹھ کور پروسیسرز پر سیریل اور متوازی پروسیسنگ کی گئی، جو کہ پرسنل کمپیوٹرز اور سرورز کا استعمال کرتے ہوئے لاگو کیے گئے، جیسا کہ جدول 1 میں درج ہے۔

ٹیبل 1. انٹیل پروسیسرز کی خصوصیات۔

DCT الگورتھم کی اہم خصوصیت وقفہ وقفہ ہے۔ ڈی سی ٹی کا ایک فائدہ یہ ہے کہ یہ سگنل کی زیادہ تر توانائی کو بہت کم عوامل پر مرکوز کرتا ہے۔ درج ذیل مساوات عددی میٹرکس کے عناصر فراہم کرتی ہیں:

جہاں L(k) DCT کی قدر ہے، k عددی کا ایک اشاریہ ہے، x(n) ڈیٹا آئٹمز کی نمائندگی کرتا ہے، اور N فریم کا سائز ہے۔

فوئرر تجزیہ پیرامیٹرز ان طریقوں کی بنیاد ہیں جو سپیکر ڈومین کے اندر اسپیچ سگنلز کی ڈیجیٹل پروسیسنگ میں زیادہ تر اسپیچ ریکگنیشن سسٹمز میں فیچر ویکٹر بنانے کے لیے استعمال ہوتے ہیں۔ میل فریکوئنسی سیپسٹرل کوفیشینٹس (MFCCs) [41] اور لکیری پیشن گوئی کوڈنگ (LPC) تکنیک [42,43] کو فوئیر تجزیہ میں اسپیچ سگنلز سے سپیکٹروگرام امیجز بنانے کے لیے استعمال کیا جاتا ہے۔ فوئیر تجزیہ کا استعمال کرتے ہوئے حاصل کردہ سپیکٹرا اسپیچ سگنل کے حوالے سے جامع اور درست معلومات فراہم کرتا ہے، جیسا کہ شکل 3 میں دکھایا گیا ہے۔

شکل 3. DFT: (a) ٹائم ڈومین کے اندر فریکوئنسی رینج میں تبدیلی اور (b) سپیکٹروگرام۔

تجربات میں سپیکٹرل تجزیہ کے لیے دو جہتی (2D) سگنل استعمال کیے گئے۔ 2D سپیکٹرل تجزیہ کی خصوصیات جو متوازی امیج پروسیسنگ الگورتھم میں استعمال ہوتی ہیں ملٹی کور پروسیسرز میں متوازی پروسیسنگ کے لیے موزوں ہیں [38]۔ خاص طور پر، فارورڈ اور انورس ٹرانسفارمیشن ویکٹر اور میٹرکس میں بائنری ڈائمینشنز ہوتے ہیں، اور اس ملٹی کور پروسیسر آرکیٹیکچر کی مطابقت کمپیوٹیشنل رفتار کو مؤثر طریقے سے بڑھا سکتی ہے۔ لہذا، ہم نے الگورتھم کے ہارڈ ویئر کے نفاذ کے لیے مختلف پروسیسر خصوصیات والے کمپیوٹر پر ترتیب وار اور متوازی پروسیسنگ کا اطلاق کیا جو 2D سگنلز کی پروسیسنگ کے لیے استعمال کیے گئے تھے (ٹیبل 2)

ٹیبل 2. انٹیل پروسیسرز کو لاگو کرنے کی خصوصیات۔

پورے 2D سگنل کو ہر مرحلے پر مختلف سائز کے ایک جیسے ٹکڑوں میں تقسیم کیا گیا تھا [44]۔ منتخب ٹکڑوں کی قدریں 16 × 16 اور 1024 × 1024 کی پکسل ریزولوشن کے درمیان تھیں۔ اوپن ایم پی پیکج کا استعمال کرتے ہوئے متوازی DCT الگورتھم کی رفتار ترتیب وار الگورتھم کے مقابلے میں شکل 4 میں پیش کی گئی ہے ایک متوازی 2D سپیکٹرل تجزیہ کا استعمال۔ ملٹی کور پروسیسرز پر الگورتھم ایک اوور کلاکنگ نتیجہ دیتا ہے جو کور کی تعداد کے قریب ہوتا ہے۔

شکل 4. 2D متوازی سپیکٹرل تجزیہ کے لیے سرعت کے نتائج۔