2.7 Application dans les systèmes de parole
Les algorithmes évolutionnaires ont été
appliqués avec succès dans de nombreux domaines d'optimisation
mono et multi-objectif, économie et finances, biologie, robotique,
médecine etc 2. Dans certaines applications, les algorithmes
évolutionnaires ont pu fournir des résultats qui n'ont jamais
été obtenus avec d'autres méthodes (le meilleur
résultat pour le PVC a été obtenu avec un algorithme
génétique).
2. Voir [148] pour une liste exaustive
Cependant, leur usage dans le domaine de traitement de la
parole est très restreint, notamment dans le processus de reconnaissance
proprement dit. Les résultats théoriques, à leur tour sont
pratiquement inexistants : aucun model évolutionnaire n'a
été définie pour le problème de reconnaissance. Les
algorithmes évolutionnaires sont utilisés soit comme des
méthodes d'optimisation pour d'autres modèles (comme le model
HMM), soit comme des model de traitement secondaires (comme l'adaptation au
locuteur). Et dans la plupart des cas, ce sont des algorithmes
génétiques qui sont utilisés.
Les premiers travaux ont porté sur l'adaptation des
systèmes aux variations phonétiques et à
l'amélioration de leur robustesse[11]. Des stratégies
d'évolution et des algorithmes génétiques ont
été hybridés avec des réseaux de neurones pour
augmenter la robustesse des systèmes de reconnaissance aux
variabilités dues à l'environnement. Les réseaux de
neurones font partie des réseaux adaptatifs non linéaires[115].
L'idée principale est d'utiliser un algorithmes évolutionnaires
pour se situer dans des espaces de recherche globaux et prometteurs, et
d'utiliser un réseau de neurone pour rechercher des optima locaux.
L'apport des algorithmes évolutionnaires était dans le fait que
la diversité de la population ainsi que sa taille sont les facteurs
clé pour une bonne adaptation aux environnements qui changent
rapidement.
D'autres travaux ont essayé d'adapter les
paramètres du modèle acoustique avant le début de la
reconnaissance avec un algorithme génétique[139]. Il s'agit
principalement de remédier aux problèmes relatifs aux changements
des paramètres du signal acoustique tels que la fréquence
d'échantillonnage et le débit binaire. Les paramètres du
signal à reconnaître ne sont pas nécessairement les
mêmes que ceux du signal d'apprentissage, et une adaptation devient
dès lors nécessaire. Le principe est d'associer à chaque
vecteur source une matrice de transformation, et à chaque
caractère d'un individu une probabilité de mutation. Ces
individus seront sélectionnés selon les taux de transformation
obtenu avec les vecteurs sources transformés, comparés au model
acoustique cible.
Dans les model a base de DTW, une idée consiste
à remplacer la programmation dynamique par un algorithme
génétique pour estimer les différences cumulées
entre les vecteur[155, 156]. La population est un ensemble de chemins qui
seront combinés et filtrés jusqu'à aboutir à un
chemin optimal.
Les techniques récentes de la vérification du
locuteur reposent de plus en plus sur des approches multi codeurs. Un
algorithme génétique a été mis en oeuvre pour
optimiser la complémentarité entre les codeurs.[22]
Un algorithme génétique a aussi
été utilisé en coopération avec un réseau de
neurones pour la segmentation et le regroupement du locuteur. Il s'agit
d'identifier les segments du signal produits par le même locuteur. Elle a
pour objectif de détecter les moments de changement du locuteur. Elle
est suivie d'une étape de regroupement qui consiste à
étiqueter les segments obtenus en fonction des locuteurs. Son domaine
d'intérêt est essentiellement dans l'indexation des documents
sonores.[29]
| 
