PFE & RAPPORT Apprentissage automatique des modèles mélanges gaussiennes basé sur les algorithmes se fraction et fusion des gaussiennes pour la reconnaissance de locuteurs PDF
Introduction générale
Chapitre I :Principe de reconnaissance automatique de locuteur
1. Introduction
2. Taches de reconnaissance automatique du locuteur
3. Domaines d’utilisation
4. Principe de fonctionnement d’un système RAL
5. Difficultés
6. Conclusion
Chapitre II :Extraction des caractéristiques
1. Introduction
2. Extraction des caractéristiques
3. Caractéristiques MFCC
4. Conclusion
Chapitre III :Modélisation des paramètres
1. Introduction
2. Les approches de modélisation
3. Les mélanges gaussiens
4. La vraisemblance
5. L’algorithme Expectation Maximisation
6. Classification par modèles de mélanges
7. Conclusion
Chapitre IV :Les algorithmes d’auto-classification
1. Introduction
2. La classification non supervisé
3. Algorithmes de division fusion des gaussiennes
4. Conclusion
Chapitre V :Expériences et résultats
1. Introduction
2. Le dispositif expérimental
3. Les expériences et résultats
4. Conclusion
Conclusion générale
Rapport PFE, mémoire et thèse avec la catégorie communication |
Étudiant en université, dans une école supérieur ou d’ingénieur, et que vous cherchez des ressources pédagogiques entièrement gratuites, il est jamais trop tard pour commencer à apprendre vous trouverez ici des centaines de rapports pfe spécialement conçu pour vous aider à rédiger votre rapport de stage, vous prouvez les télécharger librement en divers formats (DOC, RAR, PDF).. Tout ce que vous devez faire est de télécharger le pfe de Bestpfe.com et ouvrir le fichier pfe PDF ou pfe DOC. Ce programme spécifique est classé dans la catégorie automatique , machines sciences où vous pouvez trouver quelques autres mémoires informatique similaires.
Actuellement, de plus en plus de gens sont prêts à partager leurs travaux pfe, mémoire, thèse.. avec les autres et ils ne veulent pas de compensation pour cela. Le rapport Apprentissage automatique des modèles mélanges gaussiennes basé sur les algorithmes se fraction et fusion des gaussiennes pour la reconnaissance de locuteurs est un rapport complet pour aider les autres étudiants dans leurs propres travaux. |
La reconnaissance automatique de locuteur (RAL) est le processus de détecter automatiquement l’identité de celui qui parle en se basant sur les informations incluses dans son signal vocal, c’est une tache particulière de la communication homme-machine vocale. Lorsqu’un locuteur prononce une phrase, notre cerveau est capable d’analyser une gamme d’autres informations que le message prononcé, tel que : l’âge de locuteur, son sexe, son humeur, …etc., simplement en l’écoutant.
De plus, si on a déjà entendu ce locuteur, il est possible qu’on reconnaître son identité. Depuis des années les chercheurs ont intéressé par le sujet de rendre les machines capables de faire cette tâche de reconnaissance d’une manière automatique, du fait qu’il est un sujet très utile dans de nombreuses applications et environnements de notre vie, allant des applications domestiques aux applications militaires. On peut utiliser par exemple cette technique : comme moyen d’authentification biométrique, pour contrôler des machines à distant, pour archiver les documents multimédias,…etc. Le domaine général de la reconnaissance du locuteur comprend deux tâches fondamentales: identification du locuteur, qui consiste à déterminer l’identité de locuteur parmi un ensemble de locuteurs possibles, et la vérification du locuteur, qui consiste à accepter ou refuser l’identité proclamée par un locuteur, ces deux taches peuvent êtres en mode dépendant ou indépendant du texte.
La construction d’un système de reconnaissance du locuteur implique les taches d’extraction des échantillons de chaque locuteur, la modélisation qui signifie la représentation de ces échantillons dans un espace pour arriver à les comparer, et finalement prendre une décision. Plusieurs approches de modélisation ont été proposées dans la littérature : approche vectorielle, approche connexionniste, approche statistique et approche prédictive. De ce large panel, l’approche statistique demeure au premier plan des systèmes de RAL des récentes années, offrant d’excellents résultats. Plus précisément en ce qui concerne l’identification en mode indépendant du texte, la modélisation par mélanges de gaussiennes fournit des bonnes performances, et constitue l’état de l’art en la matière.
Il s’agit de modéliser un locuteur par un mélange gaussien, c.-à-d. par une somme pondérée de gaussienne. La détermination des paramètres de ce mélange s’effectue à l’aide de l’algorithme EM (Expectation Maximisation). C’est un algorithme performant capable de bien estimer les paramètres du modèle, malheureusement il présente certaines limites : Le nombre de gaussien doit être fixé à l’avance, ce qui est difficile dans notre cas. Mauvaise initialisation conduite à des maximums locaux.
