{"title":"在对人力访问系统的演讲检索中使用Wavelet方法比较研究","authors":"Ariyawan Sunardi, Rezky Mahardika","doi":"10.26418/ELKHA.V11I1.29343","DOIUrl":null,"url":null,"abstract":"Penelitian tentang speech recognition terus berkembang terkait identifikasi personel. Pada penelitian ini, kami melakukan studi perbandingan metode wavelet dalam speech recognition. Pada penelitian ini teknologi speech recognition berbasiskan wavelett dan neuro fuzzy. Beberapa parameter yang digunakan dalam penelitian ini adalah sampel suara dengan frekuensi sampling 8000 Hz dan 8 bit per sampel dengan filter wavelet High Pass Filter (HPF). Level dekomposisi menggunakan wavelet daubechies, symlet dan coiflet. Nilai thereshold filter wavelet identifikasi personel 57,72%, False Rejection Rate (FRR) 40% dan running time 1,97 detik. Untuk nilai thereshold identifikasi personel 100%, False Rejection Rate (FRR) 0% dan running time 5,43 detik didapatkan pada level dekomposisi 5 pada wavelet db1. Identifikasi tipe wavelet dari yang terbaik adalah coiflet, symlet dan daubechies karena coif2 level 2 memberikan identifikasi 60,00%, FRR 40,00% dan running time 1,97 detik","PeriodicalId":32754,"journal":{"name":"Elkha Jurnal Teknik Elektro","volume":"18 1","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2019-04-04","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Studi Perbandingan Metode Wavelet Dalam Speech Recognition Pada Sistem Akses Personel\",\"authors\":\"Ariyawan Sunardi, Rezky Mahardika\",\"doi\":\"10.26418/ELKHA.V11I1.29343\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Penelitian tentang speech recognition terus berkembang terkait identifikasi personel. Pada penelitian ini, kami melakukan studi perbandingan metode wavelet dalam speech recognition. Pada penelitian ini teknologi speech recognition berbasiskan wavelett dan neuro fuzzy. Beberapa parameter yang digunakan dalam penelitian ini adalah sampel suara dengan frekuensi sampling 8000 Hz dan 8 bit per sampel dengan filter wavelet High Pass Filter (HPF). Level dekomposisi menggunakan wavelet daubechies, symlet dan coiflet. Nilai thereshold filter wavelet identifikasi personel 57,72%, False Rejection Rate (FRR) 40% dan running time 1,97 detik. Untuk nilai thereshold identifikasi personel 100%, False Rejection Rate (FRR) 0% dan running time 5,43 detik didapatkan pada level dekomposisi 5 pada wavelet db1. Identifikasi tipe wavelet dari yang terbaik adalah coiflet, symlet dan daubechies karena coif2 level 2 memberikan identifikasi 60,00%, FRR 40,00% dan running time 1,97 detik\",\"PeriodicalId\":32754,\"journal\":{\"name\":\"Elkha Jurnal Teknik Elektro\",\"volume\":\"18 1\",\"pages\":\"\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2019-04-04\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Elkha Jurnal Teknik Elektro\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.26418/ELKHA.V11I1.29343\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Elkha Jurnal Teknik Elektro","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.26418/ELKHA.V11I1.29343","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
摘要
关于身份识别的讨论正在发展。在这项研究中，我们对演讲识别中的wavelet方法比较进行了研究。关于基于wavelett和neuro模糊的演讲认知技术的研究。本研究使用的一些参数是样本频率为8000 Hz和8位位样本，每个样本使用wavelet High Pass过滤器(HPF)。分解速率使用了wavelet daubechies, symlet和coiflet。值thereshold wavelet识别人员57.72%，误减率(FRR)为40%，运行时间为1.97秒。对于瑟舒德100%的人员识别值，fr吸收率为0%，运行时间为5.43秒，在db1 wavelet的分解水平为5。wavelet类型的识别最好是coiflet, symlet和daubechies，因为coif2级别2提供了身份识别60,00%，FRR 40,00%和运行时间1.97秒
Studi Perbandingan Metode Wavelet Dalam Speech Recognition Pada Sistem Akses Personel
Penelitian tentang speech recognition terus berkembang terkait identifikasi personel. Pada penelitian ini, kami melakukan studi perbandingan metode wavelet dalam speech recognition. Pada penelitian ini teknologi speech recognition berbasiskan wavelett dan neuro fuzzy. Beberapa parameter yang digunakan dalam penelitian ini adalah sampel suara dengan frekuensi sampling 8000 Hz dan 8 bit per sampel dengan filter wavelet High Pass Filter (HPF). Level dekomposisi menggunakan wavelet daubechies, symlet dan coiflet. Nilai thereshold filter wavelet identifikasi personel 57,72%, False Rejection Rate (FRR) 40% dan running time 1,97 detik. Untuk nilai thereshold identifikasi personel 100%, False Rejection Rate (FRR) 0% dan running time 5,43 detik didapatkan pada level dekomposisi 5 pada wavelet db1. Identifikasi tipe wavelet dari yang terbaik adalah coiflet, symlet dan daubechies karena coif2 level 2 memberikan identifikasi 60,00%, FRR 40,00% dan running time 1,97 detik
求助内容：
应助结果提醒方式：
京公网安备 11010802042870号
