Optimalių parametrų parinkimas, automatizuotam garsyno anotavimui, taikant paslėptų Markovo modelių metodiką

Magistrinio darbo tikslas buvo nustatyti optimalias parametrų reikšmes automatizuotam garsyno anotavimui, taikant paslėptų Markovo modelių metodiką. Tyrime buvo nagrinėjami 25 skirtingų kalbėtojų įrašai. Kiekvienam kalbėtojui buvo naudojama po 60min įrašų apmokymams ir vienas 2min įrašas buvo naudojamas testavimui. Buvo atliekami keturių tipų eksperimentai pavadinti: PMM modelių apjungimas, PMM tikslinimų skaičius, visų Gauso mišinių įterpimas iškarto, Gauso mišinių įterpimas mišinių skaičių didinat po vieną. Kad palengvinti eksperimentų atlikimą ir rezultatų nagrinėjimą buvo sukurtos dvi programos: garsynų sulyginimo programa ir rezultatų vizualizavimo programa. Garsynų sulyginimo programa sulygino eksperto anotuotą garsyną su automatizuotos anotavimo sistemos anotuotu garsynu. Pagal gaunamus sulyginimo rezultatus buvo galima spręsti apie parinktų parametrų reikšmių gerumą. Gauti sulyginimo rezultatai buvo atvaizduojami rezultatų atvaizdavimo programos pagalba.
In my master degree work I am trying to optimize values of parameters for automatic sound annotation, by using hidden Markov models method. In this research were analyzed 25 different speakers. It was used 60min of speak records for learning and 1 record of 2min speak for testing of all speakers. In this research were used four types of experiments which were named: combination of HMM models, HMM correction number, insertion of all Gaussian mixtures at once, insertion of Gaussian mixtures by increasing mixtures one by one. There was created two programs for facilitating experiment execution: corpus comparison program, result visualization program. Corpus comparison program compares two corpuses expert annotated corpus and automatic annotation system’s annotated corpus. From these results we find out how good are the parameter values. The comparison results can be visualized with the visualization program.