تایید هویت گوینده مقاوم نسبت به نویز با استفاده از بردارهای هویتی توسعه یافته بر اساس روش‌های زمان فرکانس

این پژوهش الگوریتم‌های نوآورانه‌ای را برای تایید هویت گوینده با استفاده از روش‌های زمان فرکانس از جمله گابور، تبدیل هیلبرت زمان کوتاه و تبدیل موجک گسسته ارائه می‌دهد. این الگوریتم‌‌ ‌ها به‌طور ویژه برای مقابله با چالش‌هایی مانند نویز غیرگاوسی و محدودیت‌های سخت‌افزاری طراحی شده‌اند و با به‌کارگیری تحلیل پیشرفته‌ی زمان فرکانس به حذف مولفه‌های نویزی پراکنده کمک می‌کنند، در حالی که ویژگی‌های اساسی گفتار را حفظ می‌نمایند. در این روشها تکنیک‌هایی مانند تجزیه‌ی چند مرحله و آستانه‌گذاری تطبیقی به‌کار گرفته شده‌اند تا اثرات نویز غیرگاوسی را به حداقل رسانده و وضوح ویژگی‌های حیاتی و مهم گفتار را حفظ کنند. نتایج آزمایش ‌های انجام‌شده بر روی پایگاه داده‌ی timit نشان‌دهنده‌ی بهبود قابل‌توجهی نسبت به روش‌های متداول مانند: ضرایب فرکانس مل(mfcc)، ضرایب پیشگویی خطی ادراکی(plp) و ضرایب پیشگویی خطی(lpc) تحت شرایط مختلف سیگنال به نویز است. عملکرد روش پیشنهادی با معیار نرخ خطای برابر(eer) ارزیابی شده است. که نتایج برای ضرایب پیش‌گویی خطی، پیش‌گویی خطی ادراکی و ضرایب فرکانس مل با نسبت سیگنال به نویز صفر به ترتیب 0.4792، 0.500 و 0.3958 و برای روش پیشنهادی نرخ خطای برابر 0.3542 است. که نشان‌دهنده‌ی مقاومت بالای آن در برابر نویز و مشکلات سخت‌افزاری است. این یافته‌ها بر توانایی استخراج ویژگی‌های زمان فرکانس برای تایید هویت گوینده تاکید دارند و راهنمای ارزشمندی برای طراحی سیستم‌های مقاوم در کاربردهای دنیای واقعی ارائه می‌کنند. همچنین روش های زمان فرکانس برای استخراج بردار هویت دارای ساختار ساده تری نسبت به شبکه های یادگیری عمیق بوده بنابر این نیازمند محاسبات کمتری نسبت به شبکه های عمیق می باشند.

robust speaker verification using identity vectors developed on time-frequency methods

this study introduces innovative algorithms for speaker verification using time-frequency methods such as gabor transforms, short-time hilbert transform, and discrete wavelet transform. these algorithms are specifically designed to address challenges such as non-gaussian noise and hardware limitations. by leveraging advanced time-frequency analysis, they effectively suppress scattered noise components while preserving the essential characteristics of speech. techniques such as multi-stage decomposition and adaptive thresholding are employed to minimize the impact of non-gaussian noise and maintain the clarity of critical speech features. the results of experiments conducted on the timit database show a significant improvement over conventional methods such as mel-frequency cepstral coefficients (mfcc), perceptual linear prediction (plp), and linear predictive coding (lpc) under various signal-to-noise ratio (snr) conditions. the performance of the proposed method was evaluated using the equal error rate (eer) metric. the results at snr of 0 db show eers of 0.4792 for lpc, 0.500 for plp, and 0.3958 for mfcc, while the proposed method achieves a lower eer of 0.3542, indicating its high robustness against noise and hardware limitations. these findings highlight the effectiveness of time-frequency feature extraction for speaker verification and provide valuable insights for designing robust systems for real-world applications. moreover, time-frequency methods used for identity vector extraction have a simpler structure compared to deep learning networks, which results in lower computational requirements.