１ーQー１８音声特徴量抽出のための音素部分空間統合法の検討朴玄信，滝口哲也，有木康雄 (神戸大) ICAによる音素部分空間の統合研究背景・目的・アプローチ音素部分空間とは、各音素データに対してPCAを行うことで得られる、射影行列（基底ベクトル集合）全音素部分空間 Φ Φ/a/ Φ/i/ O2 Observed data ●共分散行列Sの固有値分解 s1 S  PP T s2 ●分散（固有値）が大きい基底ベクトルをPから選び、分空間Vとする PCA /i/ /u/ /o/ ICAを用いて、各音素部分空間の統合を行う。各音素部分空間（射影行列）をつなげた空間へ観測ベクトルを射影し、射影されたベクトル集合に対してICAを行うことで、各音素部分空間を統合する射影行列Φ`が得られる。 y V x 全音素部分空間 Φ ICAによる特徴量抽出特徴量抽出フロー ●お互い独立な成分による観測信号生成モデル x  As 統合した固有音素空間は ●観測信号xの集合だけを用い、Aとsを同時に推定 Speech signal 大きい空間（音素数＊各部分空間次元）になる。さらにPCAを用いて次元圧 ●復元行列Wにより復元されるベクトルの独立性(非ガウス性) 縮を図る。 ˆ  Wx s xt を最大化することで、sの近似解が求まる ●本研究では、独立性基準をネゲントロピーとし、不動点アルゴリズムを用いて独立成分を推定するFastICAを用いた。フレーム処理 FFT 音素/a/ PCA yta 音素/i/ PCA yti 音素/o/ PCA yto ICA Mel filter bank Yt’ 正規化・＋Δ 統合した空間（射影行列 Φ’） log HMM 学習と認識孤立単語認識音声信号サンプリング周波数１２ｋHz フレーム処理フレーム幅３２ｍｓ, 窓シフト８ｍｓ認識対象話者４名（男２名、女２名）学習データ４ｘ２６２０単語（クリーン）評価データ４ｘ１０００単語（ｘ６残響条件）５４個のモノフォンHMM （３状態、４混合分布）比較特徴量次元数元の次元数（元の特徴量） MFCC 16 32 (FBANK) PCA 16 32 (FBANK) 音素部分空間 16 x 54 32 (FBANK) 16 16 x 54 (音素部分空間射影) ４人平均認識率[%] 実験結果音声認識タスク音響モデル |.|2 音素部分空間（射影行列 Φ）実験条件 PCA-PCA PCA-ICA 統合した空間 Φ’ ICA 射影されたベクトル集合 T O1 /a/ 観測空間 O ●観測ベクトルxを部分空間Vへ射影 Observed space O PCA 観測空間上のデータ分布（構造）をうまく表す新たな空間（正規直交基底ベクトル）を求め、観測信号をこの空間へ射影することで、情報抽出ができる Φ/o/ PCA PCAによる特徴量抽出 Φ/u/ PCA 音声認識システムの実用化には、実環境に頑健である必要 実環境に頑健な音声認識システムのための特徴量抽出 アプローチ（データ依存特徴量抽出） 主成分分析（PCA）により、観測信号から音素情報だけを抽出 独立成分分析(ICA)により、互いに独立で、音素間の関係を表わす成分を抽出 100 90 80 70 60 50 40 30 20 10 0 MFCC PCA PCA-PCA PCA-ICA Clean 120ms 300ms 380ms 470ms 600ms 残響時間考察・まとめ 提案特徴量PCA-ICAは全ての残響条件において、MFCC より高い認識率を示した。 残響時間が短い場合、PCAやPCA-PCAより性能低下 音素部分空間の最適化が行われなかった。 全ての独立成分を一つのベクトルとし、HMMで学習・評価 予定１各音素部分空間の最適化 予定２独立成分のHMMベースモデリング手法の検討補足 ICAの拡張としての提案手法生成モデル従来ICA 提案手法 x  As y  V x  V As T T 復元モデル従来ICA 提案手法 ˆ  Wx s sˆ  W (V x)  Wy T 生成モデルで、従来ICAのAは、ノイズの影響で変動提案手法では、AにV転置行列をかけることで、変動が抑えられ、音素相関情報が付加される復元モデルでは、観測信号xを音素部分空間（V）へ射影観測信号のノイズが除去され、各音素との相関情報が取り出される。そこから独立成分が抽出される。