MODELISATION NEURO-PREDICTIVE POUR LA CLASSIFICATION PHONETIQUE DE LA LANGUE ARABE
Résumé
La modélisation neuro-prédictive pour la classification phonétique de la langue arabe est une branche de la reconnaissance
automatique de la parole qui suppose l’application de deux processus fondamentaux :la para métrisationdu signal de parole et
le décodage phonétique. La para métrisationacoustique a pour but d’extraire l’information pertinente du signal acoustique afin
de fournir une description aussi complète et représentative que possible. Sa mise en œuvre repose essentiellement sur des
méthodes issues du traitement du signal. Le décodage phonétique consiste à classifier des formes acoustiques en vue de la
reconnaissance. Différents décodeurs ont été utilisé (Modèles de Markov Cachés, Ondelettes, Réseaux de neurones……etc.)
ayant chacun leur propre algorithme d’apprentissage. Dans la littérature, nous avons constaté que le processus de
paramétrisation acoustique et le processus décodage (classification) utilisent des critères d’optimisation différents, alors qu’ils
ont pour objectif commun la reconnaissance des unités phonétiques. Dans ce papier, Nous allons procéder à la mise en forme
d’un signal de parole que l’on injectera dans un réseau de neurone MLP(Multi Layer Perceptron) et ensuite faire une
comparaison entre les résultats obtenus par les MFCC()Mel Frequency Cepstral Coding et NPC(Neuronal Predictive
Coding).Notre contribution sera sans doute l’implication da le langue arabe dans ce processus.
Références
traitement du signal :cours et exrcices corrigés »
Dunod, paris 2010 p :270-279
[2] Z.Hamaiza et M.Bedda « Analyse et synthése de la
parole Arabe » université annaba et biskra, 2011
[3] Abdelkader Benyattou et Hiba Khelil « Application du
réseau de neurone gamma à la reconnaissance de la
parole » USTO oran SETIT 2007
[4] O.Deroo « Modèles Dependant du context et Méthodes
de Fusion de données Appliquées à la reconnaissance
de la parole par Modèles Hybrides HMM/MPL,
’’Faculté Polytechnique de Mons, 1998’’
Modélisation neuro-prédictivepour la classification phonétique de la langue arabe
91
[5] Rimah Amani, Dorra Ben Ayed et Noureddine Ellouz
« Application de la méthode Adaboost à la
reconnaissace Automatique de la parole » département
de genie electrique, ENIT tunis Tunisie 2011
[6] Patrice Wira « Réseaux de Neurones artificiels :
architectures et applications », université de haute
Alsace, laboratoire MIPS avril 2009, p : 32, 49-56,
[7] Claude Touzet “Introduction au connexionnisme:
cours, exercices et travaux pratiques” juillet 1992, p:
65-67,112
[8] M.Bellanger « Traitement Numérique du signal :
Théorie et pratique » edition Masson 1987, p : 363
[9] D.E.Kouloughli « Grammaire de l’arabe
d’aujourd’hui 2001»
[10] Tahar Saidane, Mounir Zrigui et Mohamed Ben
Ahmed «La transcription orthographique phonétique
de la langue arabe 1999»
[11] AMROUCHE A., DEBIECHE M., TALEB-AHMED
A., (2010). An efficient speech recognition system in
adverse conditions using the nonparametric regression.
Engineering application of artificiel intelligence,
23(1), pp 85-94.
[12] AMROUCHE A., TALEB-AHMED A., ROUVAEN.
J-M., YAGOUB M. (2009) improvement of the speech
recognition in noisy environments using a
nonparametric regression. International journal of
parallel , emergent and distributed system, vol 34,
issue 1, pp .49-67 …
