Ses işlemenin alt basamaklarından biri olan Konuşmacı tanıma için birçok yöntem kullanılmaktadır. Bunlardan en fazla kullanılanı DÖK ( Doğrusal Öngörüm Kodlaması)‘ dır. YSA‘ nın ses işlemede ve Konuşmacı tanımada kullanılması ile çok daha hızlı ve doğru sonuçlara ulaşmak mümkün olabilmiştir. Tüm bu çalışmalar insan sesinin ses oluşumunda etkin rölü olan gırtlak ve ses yolu yapısının farklı olduğunu ve kişi için zaman zaman çeşitli nedenlerden dolayı ( hastalık gibi.) yapısında değişiklik olsa bile esas itibarı ile değişmediği ve her kişi için ifade edilebilecek bir karakter taşıdığıdır.
Bu çalışmada amaçlanan; mikrofon yardımı ile kayıt edilen ses sinyallerinden wavelet ve yapay sinir ağı yardımı ile konuşmacı kimliğinin tespit edilmesi olmuştur. Bu amaç doğrultusunda ses sinyalleri pc ortamına mikrofon yardımı ile alınmış, ön işleme ve gürültüden temizleme yapıldıktan sonra Matlab tabanlı hazırlanan model yardımı ile hazırlanan ses dosyalarından veriler elde edilmiş ve yine Matlab ortamında hazırlanan YSA programı ile sınıflandırma işlemi gerçekleştirilmiştir.
YSA’nın konuşmacıların‘ DENEME ‘ kelimesi temel alınarak eğitilmesi sonucunda, kelime bağımlı bir ortam başarısı % 99,30 olarak oluşmuştur.
Kelimeden bağımsız olarak YSA ‘nın başarı yüzdesi % 85.41 olarak bulunmuştur.
Hem eğitime hem de test gruplarına katılmayan Konuşmacı-1, Konuşmacı-2, Konuşmacı-3 ‘den ‘ DENEME ‘ kelimesini seslendirmeleri istenmiştir. Bu konuşmacılara ait ses örneklerinden elde edilen veriler YSA’ a giriş olarak uygulanmış ve sonuçlar Tablo 3.4 ‘ de verilmiştir. Tablo 3.4 ‘den çıkan sonuç; hazırlanmış olan YSA modelinin kişi bağımlı sistemler için uygun sonuçları üretebildiğidir. Kişi bağımsız olarak değerlendirildiğinde çıkan sonuçların değerlendirilemeyecek seviyede çıktılar olduğu gözlenmiştir.
Wavelet analiz çalışmaları esnasında wavelet alt bantlarına ayrıştırma yapılırken; acaba alt bantlardaki herhangi bir değer üzerinden bir sınıflandırma yapmak mümkün olabilir mi? Sorusu akla gelmiş ve bu yönde bu çalışmadan bağımsız olarak başka bir çalışma da yapılmıştır. Sonuçlar Bölüm 3’ de ayrıntılı olarak anlatılmıştır. Bu yolla da kelime bağımlı sistemler için % 99, kelimeden bağımsız sistemler için % 83 başarı ile sınıflandırma yapılmıştır. Konuşmacı tanımadaki sonraki çalışmayı alt bantlardaki toplam RMS değerleri esas alarak YSA’nın girişine veri olarak vermek bir sonraki çalışmanın fikir alt yapısını oluşturmuştur.
Yapılan bu çalışma ile oldukça başarılı bir oranda Wavelet ve YSA kullanarak ses sinyallerinden Konuşmacı Kimliğinin Tespit edilmesi sağlanmıştır.
KAYNAKLAR
[1] ROBINSON, T., 1995. Speech Analysis. Lecture Notes.
[2] SELEN, N., 1979, Söyleyis sesbilimi, akustik sesbilim ve Türkiye türkçesi, Türk Dil Kurum Yayınları.
[3] MENGÜŞOĞLU, E., 1999 “Bir Tükçe Sesli İfade Tanıma Sisteminin Kural Tabanlı Tasarımı ve Gerçekleştirimi”, Master Tezi, Hacettepe Üniversitesi.
[4] KUŞ, P., 1998, “Ses Sinyallerinin Düşük Hızda İletimi”, Master Tezi, Hacettepe Üniversitesi.
[5] RABINER L. R., JUANG B. H., 1993, “Fundamentals of Speech Recognition”, Prentice Hall, Englewood Cliffs.
[6] RABINER, L. R., 1989. A tutorial on Hidden Markov Models and Selected Applications in Speech Recognition. Proceedins of IEEE, vol. 77, no. 2, pp. 257-286. [7] FURUIi, S., 1989. Digital Speech Processing, Synthesis, and Recognition. Marcel Dekker Inc.
[8] ROBINSON, T., Fallside, F. 1991. A recurrent error propagation network speech recognition system. Computer Speech and Language, vol 5, no. 3, pp. 259-274. [9] KOHONEN, T., 1988. An introduction to neural computing. Neural Networks, vol 1, pp.3-16.
[10] TEBELSKIS, J., 1995, “Speech Recognition Using Neural Networks”, PhD. Thesis, Carnegie Mellon University, Pittsburgh Pennsylvania.
[11] ERTAŞ F., ESKİDERE Ö., 2001, “Yazılım Tabanlı Sözcük Sentezleyici”,DEÜ Mühendislik Fakültesi Fen ve Mühendislik Dergisi, Cilt:3, Sayı:1.
[12] SOMERVUO, P., 1996, Speech Recognition using context vectors and multiple feature streams, Master’s Thesis.
[13] ARTUNERr, H., 1994, Bir Türkçe Fonem Kümeleme Sistemi Tasarımı ve Gerçeklestirimi.
[14] İNAL, M, 2001, “ Yapay Sinir Ağları Tabanlı Konuşmacı Tanıma “, Doktora Tezi, Kocaeli Üniversitesi.
[15] KOHONEN, T., et. al., 1996, LVQ_PAK: The Learning Vector Quantization Program Package, Report A30.
[16] KOÇ, A., 1999, “Acoustic Feature Analysis for Robust Speech Recognition”, MSc. Thesis, Boğaziçi University.
[17] YÜCETÜRK, A. C., 2000, “Yapay Sinir Ağları Kullanılarak Örüntü Sınıflandırma ve Tanıma”, Doktora Tezi, Ege Üniversitesi.
[18] ERDEM , T, 2004, “ Yapay Sinir Ağları Kullanarak Konuşmacı Tanıma Uygulaması “ , Yüksek Lisans Tezi, Niğde Üniversitesi.
[19] KOHONEN, T., et. al., 1996, SOM_PAK: The Self Orginizing Map Program Package, Report A31.
[20] RABINERr, L., R,. Schafer, R., W., 1978. Digital processing of speech signals. Prentice Hall Inc.
[21] PICONE, J., W., 1993. Signal modelling techniques in speech recognition. Proceedings of the IEEE, vol. 81, no. 9, pp. 1215-1247.
[22] HERMANSKY, H., 1990. Perceptual Linear Predictive (PLP) Analysis of Speech. Journal Of Acoustic Society of America. vol. 87, no. 4. pp. 1738-1752. [23] HERMANSKY, H., Morgan, N., 1994. RASTA processing of speech. IEEE Transactions on Speech and Audio Processing, vol. 2, no. 4, pp. 578-589.
[24] LEE, K. F., 1988. Large-vocabulary speaker-independent continuous speech recognition: The SPHINX system. Technical Report CS-88-148, Carnegie Mellon University.
[25] DEMİR, H, 2000, “ Wavelet Dönüşümü Ve İşaret İşleme Uygulamaları”, Yüksek Lisans Tezi , İstanbul Üniversitesi.
[26] SYDRAL A., BENNETT R., GREENSPAN S., 1995, “Applied Speech Technology”, CRC Press.
[25] SEVEN, A, 1997, “ Small Vocabulary Word And Speaker Recognition Using Artificial Neural Networks”, Master Tezi, Boğaziçi Üniversitesi.
[27] KOHONEN, T., 1990. The self-orginizing map. Proceedings of IEEE, vol 78, pp. 1464-1480.
[28] ELMAS, Ç., 2003, “Yapay Sinir Ağları (Kuram,Mimari,Uygulama)”, Seçkin Yayınları.
[29] SAĞIROĞLU Ş., BEŞDOK E., ERLER M., 2003 “Mühendislikte Yapay Zeka Uygulamaları Yapay Sinir Ağları”, Ufuk Yayınları.
161
ÖZGEÇMİŞ
Murat İKİZ 1976 yılında Ordu’da doğdu. İlk ve Orta öğrenimini Ordu’da tamamladıktan sonra 1994 yılında girdiği Hava Harp Okulu Mühendislik Fakültesi Elektronik Mühendisliği Bölümü’nden 1998 yılında mezun oldu. 2004 yılında Dicle Üniversitesi Fen Bilimleri Enstitüsü’ne bağlı olarak Elektrik ve Elektronik Mühendisliği bölümünde Yüksek Lisans eğitimine başladı. Murat İKİZ halen Hava Kuvvetleri Komutanlığı bünyesinde pilot olarak görev yapmaktadır.