1.6.3 Modèles à comparaison dynamique
La méthode DTW (Dynamic Time Warping) est une
méthode de résolution dynamique. Elle est basée sur le
principe de recalage temporel. Les images acoustiques des unités sources
et celles des unités à reconnaître ne sont pas parfaitement
identiques
FIGURE 1.4 - Exemple de graphe de décodage
FIGURE 1.5 - Exemple de classification phonétique
à cause de la différence dans les vitesses de
locution. Ce principe est pratiquement le même que celui utilisé
dans la reconnaissance des formes et il a largement été
utilisé pour le recalage des images médicales. Le modèle
utilise une mesure de différence entre les vecteurs sources et ceux du
mot à identifier pour tenter de trouver des correspondances
optimales.
L'algorithme commence par l'estimation locale des distances
entre les deux ensembles de vecteurs. Il utilise ensuite une méthode de
programmation dynamique pour obtenir un optimum global qui minimise la
différence accumulée entre les deux ensembles.
Dans ce type de modèles, on représente chaque
couple d'unités phonétiques dans une matrice dont les lignes
représente les vecteurs de l'unité de référence, et
les colonnes ceux de l'unité à reconnaître. Les
éléments de la matrice représentent les différences
locales entres les vecteurs. Le problème revient donc à trouver
un chemin optimal (minimal) entre le premier et le dernier
élément de la matrice.
FIGURE 1.6 - Chemin optimal par DTW
1.6.4 Autres modèles
La quantification vectorielle est une méthode
non-paramétrique qui permet de décrire un ensemble de
données par un faible nombre de vecteurs formant un dictionnaire
associé aux données. Le dictionnaire est en général
calculé de telle façon que la distance moyenne entre un vecteur
issu des données et son plus proche voisin dans le dictionnaire soit la
plus petite possible. La quantification vectorielle est une technique de
groupage qui est d'autant plus adaptée que les données
présentent naturellement des "points d'accumulation" autour desquels la
densité de vecteurs issus des données est importante. Compte tenu
de la nature du signal de parole, le choix d'un tel modèle
semble assez judicieux. En general, la quantification
vectorielle est realisee par une methode dite "spliting K-means" (optimisations
successives de dictionnaires de taille croissante) qui permet de contourner le
delicat problème de l'initialisation de l'algorithme de recherche
iterative des vecteurs du dictionnaire.
Le modèle de melange de distributions gaussiennes
(Gaussian mixture model (GMM)) consiste à supposer que la distribution
des donnees peut être decrite comme une somme ponderee de densites
gaussiennes multidimensionnelles. Ce modèle de melange est classique
dans le domaine de la reconnaissance de forme car il correspond à une
situation où les donnees appartiennent à un ensemble de classes
distinctes, avec une probabilite d'appartenance propre à chaque classe.
Le cas particulier considere ici est celui où dans chaque classe les
donnees suivent une loi gaussienne. Ce choix tient essentiellement au fait que
la loi gaussienne appartient à une famille de distributions dite
exponentielles pour lesquelles le problème de l'identification des
composantes du melange se trouve simplifie. Pour le signal de parole, ce
modèle ne paraît donc pas deraisonnable et il est d'autre part
assez proche de la caracterisation fournie par la quantification vectorielle.
La difference etant qu'avec la quantification vectorielle, on se contente de
mettre en evidence un certain nombre de "points d'accumulation" des
paramètres mesures, alors qu'avec le modèle de melange de
distributions gaussiennes, on cherche en plus à decrire la distribution
des paramètres mesures autours de ces points d'accumulation.
| 
