Dergiler / El-Cezeri / 2020 / Cilt: 7 - Sayı: 3

Konuşmacının Yaş ve Cinsiyetine Göre Sınıflandırılmasında DVM Çekirdeğinin Etkisi

Sayfa
970–982
Yayın Tarihi
2020-09-30
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Çalışmada doğrusal, polinomiyal, radya tabanlı (RBF) ve GKM-KL çekirdeği olmak üzer dört farklı DVM çekirdeği kullanılırken GKM bileşen sayısı da 32 ile 512 arasında değiştirilmiştir. aGender veri tabanı ile yapılan testlerde en iyi sınıflandırma oranı 256 bileşenli GKM’lerin GKM-KL çekirdeği ile sınıflandırılması sonucunda % 60.95 olarak elde edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada kısa süreli telefon konuşmalarından konuşmacının yaş ve cinsiyet grubunun otomatik olarak belirlemesi konusu ele alınmıştır.
📊
Temel Bulgular & Veri:Çalışmada Mel Frekansı Kepstrum katsayıları (MFKK) ve bu katsayılardan türetilen delta parametreleri öznitelik olarak kullanılırken yaş ve cinsiyet sınıflarının modellenmesinde Genel Arkaplan Modelinden (GAM) uyarlanarak oluşturulan Gauss Karışım Modelleri (GKM) kullanılmıştır.
💡
Sonuç & Katkı:Çalışmada doğrusal, polinomiyal, radya tabanlı (RBF) ve GKM-KL çekirdeği olmak üzer dört farklı DVM çekirdeği kullanılırken GKM bileşen sayısı da 32 ile 512 arasında değiştirilmiştir. aGender veri tabanı ile yapılan testlerde en iyi sınıflandırma oranı 256 bileşenli GKM’lerin GKM-KL çekirdeği ile sınıflandırılması sonucunda % 60.95 olarak elde edilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yaş ve cinsiyet tanıma · konuşma işleme · gauss karışım modeli

Özet

Bu çalışmada kısa süreli telefon konuşmalarından konuşmacının yaş ve cinsiyet grubunun otomatik olarak belirlemesi konusu ele alınmıştır. Çalışmada Mel Frekansı Kepstrum katsayıları (MFKK) ve bu katsayılardan türetilen delta parametreleri öznitelik olarak kullanılırken yaş ve cinsiyet sınıflarının modellenmesinde Genel Arkaplan Modelinden (GAM) uyarlanarak oluşturulan Gauss Karışım Modelleri (GKM) kullanılmıştır. Her konuşma için oluşturulan GKM modelleri süpervektörlere dönüştürülmüş ve bir Destek Vektör Makinesine (DVM) uygulanarak konuşmacının yaş ve cinsiyet grubuna göre sınıflandırılmıştır. Çalışmada doğrusal, polinomiyal, radya tabanlı (RBF) ve GKM-KL çekirdeği olmak üzer dört farklı DVM çekirdeği kullanılırken GKM bileşen sayısı da 32 ile 512 arasında değiştirilmiştir. aGender veri tabanı ile yapılan testlerde en iyi sınıflandırma oranı 256 bileşenli GKM’lerin GKM-KL çekirdeği ile sınıflandırılması sonucunda % 60.95 olarak elde edilmiştir.

🔖

Bu Makaleye Atıf Yap

YÜCESOY, E. (2020). Konuşmacının Yaş ve Cinsiyetine Göre Sınıflandırılmasında DVM Çekirdeğinin Etkisi. El-Cezeri, Cilt: 7 - Sayı: 3, 970–982. https://ajindex.com/articles/252326

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (5)

  1. F. Metze et al., “Comparison of four approaches to age and gender recognition for telephone applications,” in ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings, 2007, vol. 4, pp. IV-1089-IV-1092. D. C. Tanner and M. E. Tanner, Forensic aspects of speech patterns: voice prints, speaker profiling, lie and intoxication detection. Lawyers & Judges Publishing Company, 2004. S. Bhukya, “Effect of Gender on Improving Speech Recognition System,” in International Journal of Computer Applications, 2018, vol. 179, no. 14, pp. 22–30.
  2. M. Li, C.-S. Jung, and K. Han, “Combining five acoustic level modeling methods for automatic speaker age and gender recognition,” in Proceedings of the 11th Annual Conference of the International Speech Communication Association, INTERSPEECH 2010, 2010, pp. 2826–2829.
  3. Z. Qawaqneh, A. A. Mallouh, and B. D. Barkana, “Deep neural network framework and transformed MFCCs for speaker’s age and gender classification,” in Knowledge-Based Systems, 2017, vol. 115, pp. 5–14.
  4. S. Safavi, M. Russell, and P. Jančovič, “Automatic speaker, age-group and gender identification from children’s speech,” in Computer Speech and Language, 2018, vol. 50, pp. 141–156. C. BAKIR, “Automatic Speaker Gender Identification for the German Language,” in Balkan Journal of Electrical and Computer Engineering, 2016, vol. 4, no. 2, pp. 79–83. O. Büyük and L. M. Arslan, “An investigation of multi-language age classification from voice,” in BIOSIGNALS 2019 - 12th International Conference on Bio-Inspired Systems and Signal Processing, Proceedings; Part of 12th International Joint Conference on Biomedical Engineering Systems and Technologies, BIOSTEC 2019, 2019, pp. 85–92.
  5. E. Fokoue, Z. Ma, and E. Fokoué, “Speaker Gender Recognition via MFCCs and SVMs,” (2013), Accessed from https://scholarworks.rit.edu/article/1749 J. Přibil, A. Přibilová, and J. Matoušek, “GMM-based speaker age and gender classification in Czech and Slovak,” in Journal of Electrical Engineering, 2017, vol. 68, no. 1, pp. 3–12. F. Faek, “Objective Gender and Age Recognition from Speech Sentences,” in Aro, The Scientific Journal of Koya University, 2015, vol. 3, no. 2, pp. 24–29. J. Równicka and S. Kacprzak, “Speaker Age Classification and Regression Using i-Vectors,” 2016, pp. 1402–1406. B. Schuller et al., “The INTERSPEECH 2010 paralinguistic challenge,” in Proceedings of the 11th Annual Conference of the International Speech Communication Association, INTERSPEECH 2