Đánh giá hiệu năng một số mô hình học máy thống kê với vấn đề nhận dạng thanh điệu tiếng Việt nói

Bài báo đề xuất phương pháp nhận dạng thanh điệu tiếng Việt nói sử dụng mô hình K láng giềng gần nhất KNN (K-Nearest Neighbor) phân tích khác biệt tuyến tính LDA (Linear Discrimination Analysis), phân tích khác biệt toàn phương QDA (Quadratic Discrimination Analysis), bộ phân lớp hỗ trợ véc tơ SVC (support vector classifier) và máy hỗ trợ véc tơ SVM (Support Vector Machine). Theo các nhà ngôn ngữ học, thanh điệu tiếng Việt có đặc tính siêu đoạn, tồn tại trên cả âm tiết. Mời các bạn cùng tham khảo!

ánh giá hiu nng mt s mô hình hc máy thng kê

Nguy n Hng Quang, Trnh Vn Loan Vin Công Ngh Thông Tin và Truyn Thông,

Trng i hc Bách khoa Hà Ni Email: quangnh@soict.hust.edu.vn, loantv@soict.hust.edu.vn

Abstract— Bài báo  xut phng pháp nhn dng thanh iu

ti ng Vit nói s dng mô hình K láng ging gn nht KNN

(K-Nearest Neighbor) phân tích khác bi t tuyn tính LDA (Linear

Discrimination Analysis), phân tích khác bi t toàn phng QDA

(Quadratic Discrimination Analysis), b  phân lp h tr véc t

SVC (support vector classifier) và máy h  tr véc t SVM

(Support Vector Machine) Theo các nhà ngôn ng  hc, thanh

iu ting Vit có c tính siêu on, tn ti trên c âm tit

Trong nghiên c u này, chúng tôi tin hành th nghim nhn

d ng thanh iu theo hai quan im: thanh iu tn ti trên c

âm ti t và thanh iu ch tn ti trên phn hu thanh ca âm tit

Các tham s  s dng cho nhn dng thanh iu gm có nng

l ng và tn s c bn ca ting nói  nhn dng, các tham s

này c chun hóa theo thi gian Kt qu c th nghim

trên 6221 t  phát âm ri rc ca ting Vit vi 3 ngi nói Các

th  nghim c thc hin theo phng pháp so sánh chéo

(cross-validation) Các k t qu th nghim cho thy quan im

coi thanh iu ch tn ti trên phn hu thanh ca âm tit cho

k t qu nhn dng cao hn so vi quan im coi thanh iu tn

t i trên c âm tit Ngoài ra, trong các phng pháp nhn dng

c th nghim, phng pháp QDA cho kt qu nhn dng cao

nh t

Keywords- thanh iu ting Vit, nhn dng thanh iu, tn s

c  bn F0, phân tích khác bit tuyn tính, phân tích khác bit toàn

ph ng, K láng ging gn nht, máy h tr véc t

I GIITHIU Khác vi phn ln các ngôn ng trên th gii, ting Vit là

mt trong các ngôn ng có thanh iu Vi loi ngôn ng này,

ng ngha ca âm tit s thay i khi thay i thanh iu ca

âm tit ó [1] Hai yu t chính  phân bit bao gm cao  và

mc  bin thiên phc tp ca thanh iu Các thanh iu

c phân bit vi nhau ch yu qua qui lut bin thiên theo

thi gian ca tn s cơ bn F0 Ting Vit bao gm 6 thanh

iu: thanh ngang, thanh sc, thanh huyn, thanh hi, thanh ngã

và thanh nng Các thanh iu này có th c phân chia theo

cao : 3 thanh iu cao và 3 thanh iu thp và phân chia theo

 t gãy (lut bng-trc): 4 thanh iu bin thiên ơn iu

(thanh bng) và 2 thanh iu t gãy (thanh trc) So vi mt

s ngôn ng có thanh iu khác nh ting ph thông Trung

Quc (Mandarin) thì Mandarin ch có 4 thanh iu trong ó ch

có 1 thanh iu t gãy [3] Ting Qung ông Trung Quc có

ti 9 thanh iu, song tt c các thanh iu này u là các thanh

iu bin thiên ơn iu và phân bit vi nhau  3 cao  và 

dài ca thanh iu (thanh iu ngn, thanh iu trung bình và

thanh iu dài) Nh vy nu so sánh vi hai ngôn ng trên thì ting Vit là ngôn ng có cu trúc thanh iu phc tp nht

iu này làm cho vic nhn dng thanh iu ting Vit tr nên khó khn hơn

Hin nay, các h thng tng hp và nhn dng ting nói

ang c phát trin rt mnh trên th gii Các h thng này s óng vai trò quan trng trong vic thc hin tơng tác ngi-máy (human-machine) hoc tơng tác máy-máy (machine-to-machine) trong tơng lai Nghiên cu các h thng tơng tác nh vy ang c thc hin bc u vi ting Vit Vì vy nhn dng thanh iu cho các ngôn ng có thanh iu trong ó có ting Vit là mt vn  quan trng, mang tính thi s hin nay

Bên cnh ting Vit, ting ph thông Trung Quc và ting Thái Lan cng là các ngôn ng có thanh iu Vi c hai ngôn ng này, Yang, W [3], Charnvivit, P [4] và cng s ã s dng tn s cơ bn  làm tham s s dng cho quá trình nhn dng thanh iu Kt qu ca các nghiên cu này cho thy F0

là mt tham s hiu qu khi s dng mô hình HMM  biu din cho thanh iu

Trong nhng nm gn ây, ã có mt s công trình nghiên

cu nhn dng ting Vit nói trong ó có b sung thông tin v thanh iu Lê Vit Bc và cng s [9][12] s dng phơng pháp thích nghi t mt ngôn ng không có thanh iu (ting Pháp)  xây dng mô hình cho ting Vit Trong khi ó, V Hi Quân [10], V Ngc Thng [11] và cng s li b sung tn s cơ bn F0 nh mt tham s cùng vi các tham s MFCC  dùng làm tham s c trng cho tng khung ting nói

Mt hng nghiên cu khác là tách ri, thc hin song song nhn dng âm tit cơ bn (âm tit coi nh không có thanh

iu) vi nhn dng thanh iu riêng r Nguyn Hng Quang

và cng s [14] ã s dng các tham s MFCC, F0  xây

dng mô hình HMM nhn dng cho thanh iu ting Vit Tuy nhiên, cha có nhng kt qu rõ rt  c gng th nghim nhn dng thanh iu ting Vit theo phơng pháp biu din mi thanh iu bng mt véc tơ tham s, cng nh nghiên cu nh hng trc tip ca ng cong F0 n kt qu nhn dng thanh iu Bài báo này s thc hin nghiên cu nhng vn  trên

Phn còn li ca bài báo c t chc nh sau:

• Phn II mô t chi tit c im ca h thng thanh iu ca ting Vit

• Phn III phân tích u im và nhc im ca các phơng pháp nhn dng ã c áp dng: phân tích khác bit tuyn tính LDA (Linear Discrimination

Analysis), phân tích khác bit toàn phơng QDA

(Quadratic Discrimination Analysis), K láng ging gn

nht KNN (K-Nearest Neighbor), b phân lp h tr

véc tơ SVC (support vector classifier) và máy h tr

véc tơ SVM (Support Vector Machine)

• Phn IV trình bày các kt qu th nghim nhn dng

thanh iu và phân tích ánh giá các kt qu thu c

• Kt lun và hng phát trin c a ra trong phn

V

II CIMTHANHIUCATINGVIT

Trong phơng ng Bc ca ting Vit (c coi là phơng

ng chun ca Vit Nam) có 6 thanh iu khác nhau: ngang,

huyn, sc, nng, hi, ngã Các thanh iu này thng c

các nhà ngôn ng hc phân bit vi nhau thông qua ng biu

din tn s cơ bn F0 ca thanh iu (Hình 1) Trong cách vit,

mi thanh iu c biu din bng mt du c bit, tr thanh

ngang là không có du hiu quy c

Nu các âm tit kt thúc bng các ph âm tc /t/ và /p/ thì

các âm tit ó ch có th i vi thanh sc hoc thanh nng Vì

vy mt s nhà nghiên cu [1] coi ting Vit là h thng bao

gm 8 thanh iu: trong ó thanh sc và thanh nng c coi

nh có 2 bin th (trong các âm tit kt thúc hoc không kt

thúc bng /t/ hoc /p/) Trong bài báo này,  ơn gin, chúng

tôi gi nh ting Vit ch có 6 thanh iu chun nh cách biu

din trong vn phong ting Vit

Hình 1 ng cong tn s c bn F0 biu din cho thanh

iu ca ging n thuc phng ng Bc Vit Nam [5]

Theo các nhà ngôn ng hc, có th phân loi các thanh iu

theo mt s tiêu chí Tiêu chí phân loi u tiên là cao  ca

thanh iu: các thanh ngang, thanh sc, thanh hi c coi 

mc cao, trong khi ó các thanh huyn, thanh nng, thanh ngã

c coi  mc thp Tiêu chí phân loi th hai là theo lut

bng-trc, tc là mc  t gãy trong ng biu din F0 ca

thanh iu Các thanh ngang, thanh sc, thanh huyn, thanh

nng c coi là thanh bng và thanh hi, thanh ngã c coi

là thanh trc Chi tit v phân loi các thanh iu ting Vit

c mô t  bng 1

B ng 1 Phân loi thanh iu theo cao  và theo lut

b ng-trc

Cao  Thanh b ng Thanh tr c

Cao Thanh ngang Thanh sc Thanh hi Thp Thanh huyn Thanh nng Thanh ngã

III CÁCPHƠNGPHÁPTHNGHIMNHNDNG Trong bài báo này,  thc hin nhn dng thanh iu ting Vit, chúng tôi s dng các phơng pháp: K láng ging gn nht KNN (K-Nearest Neighbor), phân tích khác bit tuyn tính LDA (Linear Discrimination Analysis), phân tích khác bit toàn phơng QDA (Quadratic Discrimination Analysis), s dng b phân lp h tr véc tơ SVC (support vector classifier)

và máy h tr véc tơ SVM (Support Vector Machine)

Ph ng pháp phân tích khác bit tuyn tính LDA:

Gi s các i tng thuc vào K lp k là xác sut tiên nghim  mt i tng n t lp th k. =  =

| =  là hàm mt  xác sut  i tng X ly giá tr x

khi ang  lp th k, gi nh là hàm chun Gauss nhiu bin (phơng trình 1)

 =/||/ − − Σ −  (1)

nh lý Bayes cho phép tính xác sut hu nghim i tng thuc vào lp k khi có giá tr bng x c mô t  phơng trình

2

 = | =  =  

2



i tng c nhn dng vào lp có giá tr xác sut hu nghim ln nht (phơng trình 2) s tơng ng vi lp này

Vi phơng pháp phân tích s khác bit tuyn tính LDA, gi s mi lp có riêng giá tr k vng µk song tt c các lp

u có chung ma trn hip phơng sai Σ Thc hin ly logarit

phơng trình (4) s thu c phơng trình (3)

 = Σ−Σ+  (3) Trong phơng trình (5), c gi là hàm phân bit (discriminant function) Vì là hàm tuyn tính ca x nên

phơng pháp này c gi là LDA Các tham s µ k và Σkc xác nh da trên s c lng tham s t b d liu hun luyn

Phân tích khác bi t toàn phng QDA:

Vi phơng pháp này, gi s mi lp s có mt ma trn

hip phơng sai riêng Σ, khi ó hàm phân bit s c biu din bng phơng trình 4

 = −Σ + Σ−Σ−Σ +

Các tham s  and Σ trong các phơng trình (3) và (4) s

c xác nh trong quá trình hun luyn da vào các d liu

hun luyn

K láng gi ng gn nht KNN:

Vi mi i tng x trong tp th nghim, tính giá tr () theo phơng trình 5

() =Σ∈() (5)

Trong phơng trình 5, () là láng ging ca x, bao gm

K im gn x nht trong tp hun luyn,  là trng s ca im

trong tp hun luyn xi i tng x c nhn dng vào lp L

nu () t giá tr ln nht khi so sánh vi các giá tr ()

B  phân lp phân tách tuyn tính vi l cc i (maximal

margin classifier):

L cc i c xác nh nh sau: vi mi mu trong tp

hun luyn, tính khong cách trc giao n biên gii phân lp;

l là khong cách trc giao ti thiu tìm c B phân lp này

chn biên gii phân lp có l t giá tr ln nht, ngha là biên

gii phân lp phân bit tt nht các mu trong tp hun luyn

Các véc tơ nm trên l c gi là các véc tơ h tr (support

vector)

B  phân lp h tr véc t SVC:

Phơng pháp này là s m rng ca b phân lp phân tách

tuyn tính vi l cc i (maximal margin classifier), cho phép

phân lp vi các lp không th phân tách bng mt biên gii

tuyn tính [2] Phơng pháp này s tìm biên gii phân lp phù

hp nht vi a s các mu, và chp nhn mt s mu hun

luyn b phân lp sai (c iu chnh bng tham s C –

phơng trình 7)

Phơng pháp SVC ch có kh nng tìm c biên gii phân

lp tuyn tính Trong khi ó biên gii phân lp tuyn tính li

không phù hp vi mt s d liu c th  vn có th s

dng biên gii phân lp tuyn tính, mt phơng pháp c 

xut là m rng s tham s biu din i tng da trên các

tham s ã có SVM là phơng pháp cho phép thc hin hiu

qu s m rng này vi mc  tính toán hp lý

Xét bài toán s dng SVM  phân chia các mu thành 2

lp Gi s tp hun luyn bao gm N mu xi, i=1, 2,…, N Các

mu này c phân vào lp yi, i=1, 2, …, N; các giá tr y ch

ly -1 hoc 1 Biên gii phân lp c biu din bng v trái

ca phơng trình 6

() = +  (, )

Thc cht a phn các giá tr αi u bng 0, ch tr nhng

giá tr αi ca các véc tơ h tr Các giá tr này b gii hn theo

phơng trình 7

0 ≤ ≤ ,  = 1, 2, … ,  (7)

C là giá tr cho phép các mu b vi phm Khi C càng nh

thì l s càng rng, và ngc li khi C càng ln thì l s càng

hp

K là hàm kernel ca h thng, vi b phân lp h tr véc tơ

SVC thì K c tính theo phơng trình 8

K(u, v) = uTv (8) Vi SVM, hàm K c s dng  bin i không gian

tham s, và c tính theo phơng trình 9

K(u, v) = exp{- |u-v|2} (9) Khi ó gii thut thc hin tìm các giá tr 0 và αi theo

phơng trình 10

min

  , 1 −  () +

vi K là ma trn NxN tính trên tt c các cp mu s dng

trong quá trình hun luyn

Quá trình phân lp c thc hin tính hàm f (phơng trình

6) trên mu cn th nghim Tùy vào du ca hàm f mà mu

th nghim s c phân vào 1 trong 2 lp

 áp dng SVM cho bài toán phân lp nhiu mu, phơng pháp c s dng là one-versus-one: xây dng 2 b phân lp cho tng cp lp Mi mu th nghim s c a qua tt c các b phân lp này Lp nào chim a s s c coi là kt

qu nhn dng

Nh n xét:

Trong ba phơng pháp u tiên, phơng pháp QDA thc hin phân bit gia các lp thông qua biên gii phân lp tuyn tính, nh vy là biên gii phân lp tơng i thô vi các b d liu phc tp Trong khi ó vi phơng pháp KNN, kt qu nhn dng li quá ph thuc vào mt s mu nht nh (K mu) xung quanh mu cn nhn dng Do ó phơng pháp KNN cho kt qu rt dao ng theo b d liu Phơng pháp QDA là mt ci tin ca phơng pháp LDA, phơng pháp này cho phép to

ra biên gii phân lp phi tuyn, nh vy cho phép nhn dng các mu mm do hơn

Các phơng pháp trên ã s dng toàn b d liu hun luyn  xây dng biên gii phân lp Trong khi ó, phơng pháp SVM ch s dng các véc tơ h tr  quyt nh biên gii phân lp Phơng pháp s dng b phân lp h tr véc tơ ch s dng biên gii phân lp tuyn tính, trong khi ó phơng pháp SVM li cho phép xây dng biên gii phi tuyn, vi s m rng s lng tham s ln Trên cơ s nhn xét trên, chúng tôi hy vng phơng pháp QDA và SVM s cho kt qu nhn

dng tt nht Các th nghim nhn dng thanh iu cho ting Vit c trình bày  phn tip theo

IV NHNDNGTHANHIUCATINGVIT

C  s d liu ting Vit nói:

u tiên, chúng tôi xây dng tt c các t ơn âm tit ca ting Vit nói ây là các t c s dng trong ngôn ng giao tip thng ngày Có tng cng 6221 t ã c tp hp Phân b thanh iu trong cơ s d liu c mô t trong bng 2

B ng 2 Phân b thanh iu trong c s d liu ting nói

Thanh iu T ng s t

Thanh huyn 1022

Trong cơ s d liu, có 3 ging nam u n t phơng

ng Bc, có  tui t 22 n 24 tui Mi ngi c yêu cu phát âm mi t mt ln Ting nói c thu âm trong phòng làm vic bình thng, vi tn s ly mu 16KHz, ơn kênh, 16 bit/mu Nh vy tng s file trong cơ s d liu là 18663 file

Ph ng pháp nhn dng:

Phơng pháp so sánh chéo (cross-validation) c áp dng

 th nghim nhn dng thanh iu Mi th nghim c thc hin ba ln: vi mi ln thì d liu ca 1 trong 3 ngi nói

c s dng làm d liu th nghim, trong khi ó d liu ca hai ngi còn li c s dng  hun luyn h thng Kt qu ca th nghim là trung bình cng các kt qu ca ba th nghim Các th nghim c thc hin s dng các phơng

pháp nhn dng LDA, QDA và KNN Mi phơng pháp c

thc hin 2 th nghim: mt th nghim vi quan im coi

thanh iu tn ti trên c âm tit và th nghim th hai c

thc hin trên quan im coi thanh iu ch nm trên phn hu

thanh ca âm tit

Bi u din tham s cho mi thanh iu:

Hai tham s c s dng là tn s cơ bn F0 và nng

lng thi gian ngn E Khong thi gian  tính toán là s

dng ca s có  rng 100 miligiây,  dch ca ca s là 10

miligiây Phơng pháp t tơng quan AC (auto-correlation)

c s dng  xác nh tn s cơ bn F0 Do trong ting nói,

ch các on hu thanh mi có tn s F0, vì vy nhng on tín

hiu không tính c F0 thì c coi nh các on vô thanh

 tin hành chun hóa các giá tr tn s cơ bn F0 và nng

lng E theo thi gian, vi mi thanh iu chiu dài tn ti ca

thanh iu c chia thành N phn Ti mi im chia s xác

nh tn s F0 và nng lng tơng ng Nh vy mi âm th

hin cho mt thanh iu s c biu din bng mt véc tơ

tham s có N thành phn Các giá tr N c th nghim trong

bài báo là t 2 n 10 Các kt qu th nghim c mô t 

phn V

Trong bài báo này, chúng tôi th nghim hai quan im v

cu trúc ca thanh iu trong âm tit ting Vit Quan im th

nht coi thanh iu nm trên toàn b âm tit, trong khi ó quan

im th hai coi thanh iu ch tn ti trong phn hu thanh

ca âm tit Vi quan im th hai, phn hu thanh s c

chúng tôi xác nh là phn có tn s cơ bn F0 trong âm tit

Còn  th nghim theo quan im u tiên, nhng phn vô

thanh trong âm tit (thng là phn u và phn cui âm tit)

không có tn s cơ bn F0 s c ni suy tuyn tính F0 t các

giá tr F0 ã có

V KTQUNHNDNGTHANHIUCATING

VIT

S  dng phng pháp LDA và QDA:

Kt qu th nghim vi phơng pháp LDA và QDA c

mô t  bng 3 vi quan im thanh iu tn ti trên c âm tit

và vi quan im thanh iu ch tn ti trên phn hu thanh

ca âm tit Trong bng 3, N là s thành phn chun hóa theo

thi gian ca mi th hin ca thanh iu

B ng 3 Kt qu nhn dng thanh iu úng (t l phn

tr m) s dng phng pháp LDA và QDA

S  thành

ph n

chu n

hóa N

Thanh iu tn ti

trên toàn b  âm tit Thanh t i trên phn hu iu ch tn

thanh c a âm tit

LDA QDA LDA QDA

Kt qu trên bng 3 cho thy phơng pháp LDA cho kt

qu nhn dng chính xác thanh iu kém hơn so vi phơng

pháp QDA (các kt qu trên ct LDA nh hơn so vi các kt qu trên ct QDA tơng ng) Ngoài ra phơng pháp coi thanh

iu ch tn ti trên phn hu thanh ca âm tit cng cho kt

qu tt hơn so vi phơng pháp coi thanh iu tn ti trên c

âm tit Các kt qu tt nht t c vi s thành phn chun

hóa N = 5 Giá tr này c s dng cho th nghim nhn dng

thanh iu theo phơng pháp KNN, SVC và SVM

S  dng phng pháp KNN:

 th nghim phơng pháp KNN, mt tham s cn xác

nh chính là s láng ging K s dng  xác nh kt qu cho

tng mu th nghim Các giá tr K c th nghim bao gm

t 1 n 40 Th nghim c thc hin vi phơng pháp KNN và quan im coi thanh iu tn ti trên toàn b âm tit Kt qu c mô t trên hình 2

Hình 2 K t qu nhn dng thanh iu theo phng pháp KNN vi các giá tr K t 1 n 40

Hình 2 cho chúng ta thy kt qu nhn dng tt nht t

c ti K=15 Giá tr K này c s dng cho th nghim

nhn dng thanh iu vi các thành phn chun hóa thanh iu theo thi gian N khác nhau Kt qu thu c mô t trong bng

4

B ng 4 Kt qu nhn dng thanh iu úng (t l phn

tr m) s dng phng pháp KNN

S  thành

ph n chun

hóa N

Thanh iu tn

t i trên toàn b

âm ti t

Thanh iu ch tn

t i trên phn hu

thanh c a âm tit

Kt qu  bng 4 cho thy vi phơng pháp KNN, kt qu

tt nht vi trng hp thanh iu tn ti trên toàn b âm tit

và trng hp thanh iu ch tn ti trên phn hu thanh ca

âm tit tơng ng vi s thành phn chun hóa N=7 và N=9

S  dng phng pháp SVC và SVM:

Mt tham s chung quyt nh n t l nhn dng úng ca hai phơng pháp này là C (phơng trình 7) Ngoài ra vi SVM tham s  (phơng trình 9) cng quyt nh n kt qu nhn dng Bng 5 mô t kt qu nhn dng ca hai phơng pháp vi các giá tr khác nhau ca C và  Th nghim c

thc hin s thành phn chun hóa ca thanh iu N = 5 và

quan im coi thanh iu tn ti trên toàn b âm tit

B ng 5 Kt qu nhn dng thanh iu úng (t l phn

tr m) s dng phng pháp SVC và SVM vi s thành

phn chia thanh iu N=5

Ph ng pháp Giá tr  C

0.1 1 10 SVC 43.52 43.53 43.51

SVM, =0.5 39.46 43.82 42.33

SVM, =1 29.96 40.60 40.72

SVM, =2 25.80 34.35 35.16

Bng 5 cho thy phơng pháp SVC cho kt qu tt nht vi

C=1, và phơng pháp SVM cho kt qu tt nht vi C=1 và

=1 Các giá tr này c s dng cho th nghim trên tt c

các phn chia thanh iu Kt qu th nghim c mô t 

bng 6

B ng 6 Kt qu nhn dng thanh iu úng (t l phn

tr m) s dng phng pháp SVC và SVM

S  thành

ph n

chu n

hóa N

Thanh iu tn ti

trên toàn b  âm tit Thanh t i trên phn hu iu ch tn

thanh c a âm tit

5 43.52 43.82 51.34 50.52

Hình 3 K t qu nhn dng thanh iu theo s thành

phn chun hóa theo thi gian N

 ánh giá nh hng ca s thành phn chun hóa N n

kt qu nhn dng thanh iu, chúng tôi biu din kt qu ca

các phơng pháp nhn dng theo s thành phn chun hóa N

nh trong hình 3 Trong hình này, LDA_1, QDA_1, KNN_1,

SVC_1, SVM1 là kt qu ca phơng pháp coi thanh iu nm

trên toàn b âm tit, và LDA_2, QDA_2, KNN_2, SVC_2, SVM_2 là ca phơng pháp coi thanh iu ch tn ti trên phn hu thanh ca âm tit

Hình 3 cho thy vi s thành phn chun hóa N thp (N=2

và N=3), kt qu nhn dng thanh iu kém nht Trong các

thành phn N còn li thì kt qu không thc s khác bit nhiu Các kt qu nhn dng thanh iu tt nht thc hin trong bài báo c mô t  bng 7

B ng 7 Tng kt các kt qu nhn dng thanh iu ca

ti ng Vit nói

Ph ng

pháp nh n

d ng

Thanh iu nm

trên toàn b  âm

ti t

Thanh iu ch nm

trên ph n hu thanh

c a âm tit

Các kt qu th nghim cho thy quan im coi thanh iu ch tn ti trên phn hu thanh ca âm tit cho kt qu nhn dng cao hơn so vi quan im coi thanh iu tn ti trên c

âm tit Ngoài ra, trong các phơng pháp nhn dng c th nghim, phơng pháp QDA cho kt qu nhn dng cao nht

VI KTLUN Bài báo ã  xut phơng pháp nhn dng thanh iu ca

ting Vit nói s dng mô hình phân tích khác bit tuyn tính LDA (Linear Discrimination Analysis), phân tích khác bit toàn phơng QDA (Quadratic Discrimination Analysis), K láng ging gn nht KNN (K-Nearest Neighbor), b phân lp h tr véc tơ SVC (support vector classifier) và máy h tr véc tơ SVM (Support Vector Machine) Các th nghim nhn dng thanh iu c tin hành theo hai quan im: thanh iu tn

ti trên c âm tit và thanh iu ch tn ti trên phn hu thanh

ca âm tit Các kt qu th nghim cho thy quan im coi thanh iu ch tn ti trên phn hu thanh ca âm tit cho kt qu nhn dng cao hơn so vi quan im coi thanh iu tn ti trên c âm tit Ngoài ra, trong các phơng pháp nhn dng

c th nghim, phơng pháp QDA cho kt qu nhn dng cao nht

Hng nghiên cu tip theo s là áp dng phơng pháp mng nơ ron và hc sâu Ngoài ra có th kt hp tiêu chí phân

loi thanh iu nh phân loi theo cao  hay theo lut bng-trc trong nhn dng thanh iu K thut nhn dng thanh iu cng s c áp dng trong nghiên cu ca chúng tôi v nhn dng và tng hp ting Vit nói

TÀILIUTHAMKHO [1] oàn Thin Thut, “Ng âm ting Vit”, Nhà xut bn Giáo dc, Hà Ni, 1997

[2] Trevor Hastie, Robert Tibshirani, Jerome Friedman, “The Elements of Statistical Learning, Data Mining, Inference, and Prediction ”, Springer, USA 2014

[3] Yang, W.-J & Lee, J.-C & Chang, Y.-C & Wang, H.-C ”Hidden Markov model for Mandarin lexical tone recognition”, Acoustics, Speech and Signal Processing, IEEE Transactions on (Volume:36 , Issue: 7 ), 2002

[4] Charnvivit, P & Jitapunkul, S & Ahkuputra, V & Maneenoi, E &

Thathong, U & Thampanitchawong, B ”F0 Feature Extraction by

Polynomial Regression Function for Monosyllabic Thai Tone

Recognition”, INTERSPEECH, 2001.

[5] Brunelle, M ”Coarticulation effects in northern Vietnamese tones”,

Proceedings of the 15th International Conference of Phonetic Sciences,

2003

[6] Michaud, A ”Final Consonants and Glottalization: New Perspectives

from Hanoi Vietnamese”, 2004

[7] Pham, H ”Vietnamese Tone – A New Analysis”, New York: Routledge,

ISBN 0-415-96762-7, 2003

[8] Chu, Mai N ”Cơ s ngôn ng hc và ting Vit”, Vietnam Education

Publishing House, 1997

[9] Viet Bac Le & Besacier, L ”First steps in fast acoustic modeling for a

new target language: Application to Vietnamese”, ICASSP 2005

[10] Quan, V & Kris, D & Dirk, V ”Vietnamese Automatic Speech

Recognition: The FLaVoR Approach”, Chinese Spoken Language

Processing Lecture Notes in Computer Science Volume 4274, 2006

[11] Ngoc, Thang V & Schultz, T ”Vietnamese large vocabulary continuous speech recognition”, Automatic Speech Recognition & Understanding,

2009 [12] Viet Bac Le & Besacier, L ”Automatic Speech Recognition for Under-Resourced Languages: Application to Vietnamese Language”, Audio, Speech, and Language Processing, IEEE Transactions on (Volume:17 , Issue: 8 ), 2009

[13] Davis, S.; Mermelstein, P ”Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentences”, IEEE Trans Acoust., Speech, Signal Processing, vol 28, pp 357-366,

1980

[14] Hong Quang Nguyen; Nocera, P.; Castelli, E.; Van Loan, T., ”Tone recognition of Vietnamese continuous speech using hidden Markov model”, Communications and Electronics, 2008 HUT-ICCE 2008 Second International Conference on , vol., no., pp.235,239, 4-6 June

2008