Luận Văn Thạc Sĩ: Ứng Dụng Mạng Nơ-Ron vào Nhận Dạng Tiếng Nói trên Kit ARM Cortex-M3

Luận văn thạc sĩ nghiên cứu ứng dụng mạng nơ-ron trong nhận dạng tiếng nói trên kit ARM Cortex M3, mang lại giải pháp công nghệ tiên tiến.

• Tác giả: Lê Hoàng Hân
• Người hướng dẫn: PGS. Lê Tiến Thường
• Trường học: Đại học Bách Khoa Tp Hồ Chí Minh, Đại Học Sư Phạm Kỹ Thuật Tp Hồ Chí Minh
• Chuyên ngành: Điện - Điện Tử
• Đề tài: Ứng dụng neural network vào nhận dạng tiếng nói trên KIT ARM Cortex-M3
• Loại tài liệu: Luận văn
• Năm xuất bản: 2013
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT
• ABSTRACT
• 1. CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG TIẾNG NÓI, TÌNH HÌNH NGHIÊN CỨU TRONG VÀ NGOÀI NƯỚC
• 1.1. Nhận dạng tiếng nói
• 1.2. Tổng quan tình hình nghiên cứu
• 1.3. Mục đích nghiên cứu
• 1.4. Nhiệm vụ và giới hạn của đề tài
• 1.5. Phương pháp nghiên cứu
• 1.6. Ý tưởng về nhận dạng tiếng nói tiếng Việt sử dụng mạng Neural Networks
• 2. CHƯƠNG 2: GIẢI PHÁP TOÁN HỌC CHO BA BÀI TOÁN CƠ BẢN CỦA MÔ HÌNH MARKOV ẨN
• 3. CHƯƠNG 3: THIẾT KẾ HỆ THỐNG NHẬN DẠNG TIẾNG NÓI TRÊN KIT ARM CORTEX-M3
• 3.1. Tổng quan về KIT STM32F103ZET6
• 3.2. Giới thiệu bộ xử lý ARM Cortex-M3
• 3.3. Kế hoạch thiết kế phần mềm
• 3.4. Cấu hình bộ KIT STM32F103ZET6
• 3.5. Thiết kế hệ thống nhận dạng tiếng nói trên KIT STM32F103ZET6
• 3.6. Trích đặc trưng. Lượng tử hóa vector. Huấn luyện ANN
• 3.7. Nhận dạng bằng mô hình ANN kết hợp với HMM
• 3.8. Kết quả thử nghiệm trên phần cứng
• 4. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 4.1. Hạn chế của đề tài
• 4.2. Hướng phát triển của đề tài
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Ứng dụng Mạng Nơ Ron trong Nhận Dạng Tiếng Nói

Nhận dạng tiếng nói là một lĩnh vực quan trọng trong công nghệ thông tin, đặc biệt là trong bối cảnh phát triển của trí tuệ nhân tạo. Việc ứng dụng Mạng Nơ-Ron trong nhận dạng tiếng nói đã mở ra nhiều cơ hội mới cho việc phát triển các hệ thống giao tiếp tự động. Hệ thống này không chỉ giúp máy tính hiểu được ngôn ngữ con người mà còn cải thiện khả năng tương tác giữa người và máy. Đặc biệt, việc sử dụng Kit ARM Cortex-M3 trong nghiên cứu này cho thấy tiềm năng lớn trong việc phát triển các ứng dụng thực tiễn.

1.1. Khái niệm và Lịch sử Nhận Dạng Tiếng Nói

Nhận dạng tiếng nói là quá trình chuyển đổi tín hiệu âm thanh thành văn bản. Lịch sử của lĩnh vực này bắt đầu từ những năm 1950, với các nghiên cứu đầu tiên về nhận dạng âm tiết. Qua nhiều thập kỷ, công nghệ đã phát triển mạnh mẽ, từ các phương pháp truyền thống đến việc áp dụng Học Sâu và Mạng Nơ-Ron.

1.2. Tình hình Nghiên cứu Nhận Dạng Tiếng Nói tại Việt Nam

Tại Việt Nam, nghiên cứu về nhận dạng tiếng nói còn khá mới mẻ. Mặc dù có một số công trình nghiên cứu, nhưng kết quả vẫn còn hạn chế. Việc phát triển các hệ thống nhận dạng tiếng nói cho tiếng Việt gặp nhiều khó khăn do đặc thù ngôn ngữ và thiếu hụt dữ liệu.

II. Thách thức trong Nhận Dạng Tiếng Nói và Giải Pháp

Mặc dù có nhiều tiến bộ trong lĩnh vực nhận dạng tiếng nói, nhưng vẫn tồn tại nhiều thách thức. Các yếu tố như tiếng ồn môi trường, sự biến thiên trong cách phát âm và ngữ điệu của người nói đều ảnh hưởng đến độ chính xác của hệ thống. Để giải quyết vấn đề này, việc áp dụng Mạng Nơ-Ron Tích Chập và các phương pháp xử lý tín hiệu tiên tiến là rất cần thiết.

2.1. Các Thách Thức Chính trong Nhận Dạng Tiếng Nói

Một trong những thách thức lớn nhất là sự đa dạng trong cách phát âm của người nói. Tiếng Việt có nhiều âm sắc và thanh điệu khác nhau, điều này làm cho việc nhận dạng trở nên phức tạp hơn. Ngoài ra, tiếng ồn từ môi trường cũng là một yếu tố gây khó khăn trong quá trình nhận dạng.

2.2. Giải Pháp Sử Dụng Mạng Nơ Ron trong Nhận Dạng Tiếng Nói

Việc áp dụng Mạng Nơ-Ron trong nhận dạng tiếng nói giúp cải thiện độ chính xác nhờ khả năng học hỏi từ dữ liệu lớn. Các mô hình như ANN và HMM có thể được kết hợp để tối ưu hóa quá trình nhận dạng, từ đó nâng cao hiệu suất của hệ thống.

III. Phương Pháp Nghiên Cứu và Thiết Kế Hệ Thống Nhận Dạng Tiếng Nói

Nghiên cứu này sử dụng phương pháp MFCC để trích xuất đặc trưng âm thanh và áp dụng Mạng Nơ-Ron để nhận dạng. Hệ thống được thiết kế trên nền tảng Kit ARM Cortex-M3, cho phép thực hiện nhận dạng tiếng nói trong thời gian thực với độ chính xác cao.

3.1. Phương Pháp Trích Xuất Đặc Trưng Âm Thanh

Phương pháp MFCC được sử dụng để trích xuất các đặc trưng âm thanh từ tín hiệu tiếng nói. Các đặc trưng này giúp hệ thống nhận dạng phân biệt được các âm thanh khác nhau, từ đó cải thiện độ chính xác trong quá trình nhận dạng.

3.2. Thiết Kế Hệ Thống Trên Kit ARM Cortex M3

Hệ thống được thiết kế trên Kit ARM Cortex-M3, cho phép thực hiện các thuật toán nhận dạng tiếng nói một cách hiệu quả. Việc sử dụng vi điều khiển này giúp giảm thiểu chi phí và tăng tính khả thi cho các ứng dụng thực tiễn.

IV. Kết Quả Nghiên Cứu và Ứng Dụng Thực Tiễn

Kết quả nghiên cứu cho thấy hệ thống có thể nhận dạng chính xác khoảng 80% các từ đơn trong điều kiện bình thường. Điều này mở ra nhiều cơ hội cho việc phát triển các ứng dụng thực tiễn như điều khiển thiết bị bằng giọng nói và hỗ trợ người khuyết tật.

4.1. Kết Quả Thử Nghiệm Hệ Thống Nhận Dạng

Hệ thống đã được thử nghiệm với bộ từ vựng gồm 5 từ đơn và đạt được độ chính xác khoảng 80%. Kết quả này cho thấy khả năng nhận dạng tiếng nói tiếng Việt có thể được cải thiện đáng kể thông qua việc áp dụng các công nghệ mới.

4.2. Ứng Dụng Thực Tiễn của Hệ Thống Nhận Dạng Tiếng Nói

Hệ thống nhận dạng tiếng nói có thể được ứng dụng trong nhiều lĩnh vực như điều khiển thiết bị thông minh, hỗ trợ người khuyết tật, và phát triển các ứng dụng giao tiếp tự động. Điều này không chỉ giúp nâng cao hiệu quả công việc mà còn cải thiện chất lượng cuộc sống.

V. Kết Luận và Hướng Phát Triển Tương Lai

Nghiên cứu về ứng dụng Mạng Nơ-Ron trong nhận dạng tiếng nói trên Kit ARM Cortex-M3 đã đạt được những kết quả khả quan. Tuy nhiên, vẫn còn nhiều thách thức cần được giải quyết trong tương lai. Việc tiếp tục nghiên cứu và phát triển sẽ giúp nâng cao độ chính xác và khả năng ứng dụng của hệ thống.

5.1. Tóm Tắt Kết Quả Nghiên Cứu

Kết quả nghiên cứu cho thấy việc áp dụng Mạng Nơ-Ron trong nhận dạng tiếng nói có thể cải thiện đáng kể độ chính xác. Hệ thống đã chứng minh được khả năng hoạt động hiệu quả trong điều kiện thực tế.

5.2. Hướng Phát Triển Nghiên Cứu Trong Tương Lai

Trong tương lai, cần tiếp tục nghiên cứu để mở rộng bộ từ vựng và cải thiện khả năng nhận dạng trong các điều kiện môi trường khác nhau. Việc tích hợp thêm các công nghệ mới như Học Sâu sẽ giúp nâng cao hiệu suất của hệ thống.

Nội dung chính

Tổng quan nghiên cứu

Thị trường công nghệ xử lý tiếng nói toàn cầu đã ghi nhận mức chi tiêu vượt mốc 5 tỷ USD, mở ra kỷ nguyên tương tác tự nhiên giữa con người và máy móc. Trong khi các giải pháp nhận dạng tiếng Anh đã đạt độ chính xác từ 90% đến 95%, việc nghiên cứu và triển khai nhận dạng tiếng nói tiếng Việt vẫn đối mặt với nhiều rào cản kỹ thuật phức tạp do tính chất ngôn ngữ có thanh điệu và sự khan hiếm của các hệ thống phần cứng chuyên dụng.

Vấn đề cốt lõi của nghiên cứu là giải quyết bài toán "cứng hóa" giải thuật nhận dạng tiếng Việt thời gian thực trên các hệ thống nhúng có tài nguyên giới hạn. Thay vì phụ thuộc vào các máy tính cồng kềnh hoặc các chip FPGA đắt đỏ, đề tài đặt mục tiêu thiết kế và hiện thực hóa một hệ thống nhận dạng tiếng nói tiếng Việt độc lập trên KIT vi điều khiển STM32F103ZET6 sử dụng vi xử lý ARM Cortex-M3.

Nghiên cứu được thực hiện tại Thành phố Hồ Chí Minh với phạm vi thử nghiệm tập trung vào bộ từ vựng gồm 5 từ lệnh điều khiển đơn âm: tiến, lùi, trái, phải và dừng. Kết quả thực nghiệm khẳng định hệ thống đạt độ chính xác nhận dạng khoảng 90% trong môi trường chuẩn không nhiễu và duy trì trên 80% trong môi trường thực tế khi gắn trên mô hình robot di động. Công trình tạo ra một bước đột phá trong việc tối ưu hóa tài nguyên phần cứng, chứng minh khả năng ứng dụng mạng nơ-ron nhân tạo kết hợp xử lý tín hiệu số trực tiếp trên các vi điều khiển phổ dụng giá thành thấp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Khung lý thuyết của công trình được xây dựng trên sự kết hợp liên ngành giữa ngữ âm học tiếng Việt, xử lý tín hiệu số và mô hình trí tuệ nhân tạo phân lớp:

• Đặc trưng ngữ âm học tiếng Việt: Ngôn ngữ tiếng Việt có cấu trúc âm tiết chặt chẽ bao gồm thanh điệu, âm đầu, âm đệm, âm chính và âm cuối. Trong đó, hệ thống gồm 6 thanh điệu (ngang, huyền, sắc, hỏi, ngã, nặng), 22 phụ âm đầu cùng 16 nguyên âm (13 nguyên âm đơn và 3 nguyên âm đôi) đóng vai trò quyết định trong việc khu biệt âm nghĩa.
• Trích xuất đặc trưng âm thanh MFCC (Mel-Frequency Cepstral Coefficients): Tín hiệu âm thanh được tiền xử lý qua bộ lọc nhấn mạnh tần số cao với hàm truyền đạt hệ số 0,97 nhằm bù đắp mức suy giảm 20 dB/decade của giọng nói tự nhiên. Tiếp đó, kỹ thuật sử dụng 12 băng lọc tam giác trên thang tần số Mel trong dải từ 0 Hz đến 4000 Hz và biến đổi cosin rời rạc (IDCT) để tạo ra 12 hệ số cepstral. Kết hợp năng lượng khung, hệ số đạo hàm bậc một (Delta) và bậc hai (Double-Delta), vector đặc trưng hoàn chỉnh có tổng cộng 39 thứ nguyên được chuẩn hóa.
• Mô hình Mạng nơ-ron nhân tạo (ANN) và Mô hình Markov ẩn (HMM): Mạng Perceptron đa tầng (MLP) 3 lớp áp dụng hàm kích hoạt Sigmoid phi tuyến và thuật toán lan truyền ngược lỗi (Back-propagation) với tốc độ học 0,001. Luận văn cũng phân tích mô hình lai ANN/HMM thông qua giải thuật tiến lùi Forward-Backward, thuật toán tìm kiếm tối ưu Viterbi và thuật toán huấn luyện tham số lặp Baum-Welch.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thực nghiệm kết hợp mô phỏng định lượng và kiểm thử phần cứng thực tế theo quy trình khoa học:

• Nguồn dữ liệu và phân tích âm học: Cơ sở dữ liệu âm thanh bao gồm hàng trăm mẫu phát âm thực tế từ các đối tượng thử nghiệm khác nhau được thu âm trực tiếp qua micro điện động. Tín hiệu được số hóa ở tần số lấy mẫu 8 kHz, chia thành các khung thời gian ngắn 20 ms (tương đương 160 mẫu) với độ chồng lấp 5 ms (50 mẫu) và áp dụng cửa sổ Hamming hệ số 0,46 để triệt tiêu hiện tượng rò rỉ phổ. Phép biến đổi Fourier nhanh (FFT) 256 điểm được áp dụng để chuyển đổi tín hiệu sang miền tần số.
• Cỡ mẫu và phương pháp chọn mẫu: Nghiên cứu áp dụng phương pháp chọn mẫu có chủ đích kết hợp phân tầng, chia thành 2 nhóm kiểm thử: nhóm mẫu hệ thống đã học và nhóm người nói mạo danh chưa từng tham gia huấn luyện. Kỹ thuật tách tiếng nói khỏi khoảng lặng (VAD) được tối ưu hóa dựa trên việc phân tích 50 khung nhiễu nền với hệ số ngưỡng thực nghiệm 0,252 nhằm trích xuất chính xác ranh giới tín hiệu giọng nói.
• Môi trường thực thi và Timeline: Quá trình huấn luyện mạng và tối ưu hóa trọng số được mô phỏng trước trên môi trường phần mềm máy tính, sau đó toàn bộ thuật toán trích xuất đặc trưng và mạng MLP được chuyển đổi thành mã C tối ưu trên phần mềm Keil C for ARM để nạp trực tiếp vào bộ nhớ Flash của vi điều khiển STM32F103ZET6.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm nhận dạng 5 lệnh điều khiển xe robot trên phần cứng ARM Cortex-M3 mang lại các kết quả định lượng cụ thể:

• Hiệu suất nhận dạng trong môi trường lý tưởng: Hệ thống đạt độ chính xác trung bình 90% đối với tập dữ liệu kiểm thử trong điều kiện phòng kín không có tạp âm nền. Các từ có đặc trưng năng lượng rõ nét như "tiến" và "dừng" đạt tỷ lệ chính xác trên 92%.
• Hiệu suất nhận dạng trong môi trường nhiễu: Khi thử nghiệm trực tiếp trên robot chuyển động với tiếng ồn động cơ và tiếng ồn môi trường xung quanh, độ chính xác duy trì ở mức trên 80%. Đây là mức hiệu năng rất cao đối với một vi điều khiển nhúng giá rẻ có tần số hoạt động 72 MHz.
• Khả năng loại bỏ nhiễu và khoảng lặng: Thuật toán VAD kết hợp ước tính công suất đoản kỳ và tỷ lệ qua điểm zero (ZCR) đã phát hiện chính xác điểm đầu và điểm cuối của khẩu lệnh, giúp loại bỏ hoàn toàn các khung thời gian tĩnh vô nghĩa, tiết kiệm hơn 45% thời gian tính toán của CPU.
• Khả năng phân biệt đối tượng mạo danh: Đối với nhóm người nói chưa từng được hệ thống học mẫu, tỷ lệ từ chối lệnh sai đạt trên 75%, chứng minh khả năng phân lớp và tính tổng quát hóa ổn định của mạng MLP 3 lớp.

Thảo luận kết quả

Hiệu năng ấn tượng của hệ thống bắt nguồn từ việc tinh giản không gian đặc trưng nhưng vẫn giữ trọn vẹn thông tin ngữ âm nhờ cấu trúc 39 chiều của MFCC. Việc bổ sung các hệ số delta và double-delta đóng vai trò quan trọng trong việc nắm bắt các biến thiên động theo thời gian của các âm tiết tiếng Việt có thanh điệu phức tạp.

Khi so sánh với các công trình trước đây, điển hình như nghiên cứu nhận dạng tiếng nói trên công nghệ chip FPGA vào năm 2012 của nhóm tác giả tại Thành phố Hồ Chí Minh, giải pháp sử dụng vi điều khiển STM32F103ZET6 tuy có tốc độ tính toán song song thấp hơn một chút nhưng lại vượt trội hoàn toàn về mặt tiết kiệm điện năng, chi phí linh kiện thấp hơn khoảng 60% và dễ dàng tích hợp thương mại vào các thiết bị di động.

Toàn bộ kết quả thử nghiệm được lượng hóa qua các ma trận nhầm lẫn (confusion matrix) và biểu đồ phân bố xác suất nhận dạng. Các nhầm lẫn nhỏ chủ yếu xảy ra giữa các từ có âm cuối gần giống nhau khi biên độ âm lượng phát âm quá nhỏ hoặc môi trường có độ ồn vượt quá 65 dB.

Đề xuất và khuyến nghị

Nhằm nâng cao hiệu quả và mở rộng tính ứng dụng của hệ thống nhận dạng tiếng nói tiếng Việt trên nền tảng nhúng, 4 khuyến nghị giải pháp cụ thể được đề xuất:

• Tích hợp giải thuật lọc nhiễu thích nghi chuyên sâu: Nâng cấp thuật toán trừ phổ hiện tại bằng cách tích hợp bộ lọc Kalman thích nghi nhằm nâng cao tỷ lệ nhận dạng trong môi trường công nghiệp có độ ồn cao lên mức mục tiêu trên 88%. Giải pháp này do các kỹ sư phần mềm nhúng thực hiện trong thời gian 6 tháng.
• Mở rộng bộ từ vựng nhận dạng: Nâng quy mô từ 5 từ lệnh đơn lên bộ từ vựng 50 đến 100 từ phức, kết hợp cấu trúc mạng lai HMM/ANN sâu hơn để xử lý câu lệnh liên tục. Mục tiêu này do các nhóm nghiên cứu trí tuệ nhân tạo và xử lý tín hiệu thực hiện trong lộ trình 12 tháng.
• Nâng cấp kiến trúc phần cứng vi điều khiển: Chuyển dịch nền tảng thực thi sang các vi điều khiển dòng ARM Cortex-M4 hoặc Cortex-M7 có tích hợp đơn vị tính toán số thực dấu phẩy động (FPU) và tập lệnh DSP chuyên dụng, giúp giảm 40% thời gian xử lý FFT và trích xuất MFCC. Lộ trình nâng cấp dự kiến hoàn thành trong 9 tháng do các đơn vị phát triển phần cứng đảm nhiệm.
• Xây dựng cơ sở dữ liệu âm thanh tiếng Việt đa vùng miền: Thu thập và chuẩn hóa hơn 10.000 mẫu giọng nói đại diện cho các vùng miền Bắc, Trung, Nam nhằm giải quyết triệt để rào cản phương ngữ, tăng tính thích ứng của mô hình lên trên 95%. Công tác này do các viện nghiên cứu ngôn ngữ học phối hợp cùng các trường đại học triển khai trong 18 tháng.

Đối tượng nên tham khảo luận văn

Luận văn là nguồn tài liệu học thuật và thực tiễn có giá trị cao cho 4 nhóm đối tượng chính:

• Kỹ sư thiết kế hệ thống nhúng và IoT: Cung cấp giải pháp mẫu hoàn chỉnh về cách tối ưu hóa thuật toán trích xuất MFCC 39 chiều và mạng nơ-ron MLP trên bộ nhớ RAM chỉ 64 KB và Flash 512 KB của vi điều khiển, phục vụ việc phát triển các thiết bị gia dụng thông minh điều khiển bằng giọng nói offline.
• Nhà nghiên cứu xử lý tiếng nói và AI: Cung cấp tài liệu tham khảo chuyên sâu về các đặc trưng âm học đặc thù của tiếng Việt (hệ thống 6 thanh điệu, 22 phụ âm đầu, 16 nguyên âm) và cách áp dụng mô hình lai ANN/HMM trong việc phân lớp tín hiệu âm thanh đoản kỳ.
• Doanh nghiệp phát triển Robot dịch vụ và Thiết bị hỗ trợ: Cung cấp kiến trúc phần cứng và sơ đồ mạch điều khiển xe robot thực tế, giúp các kỹ sư R&D nhanh chóng chế tạo các phương tiện hỗ trợ người khuyết tật hoặc robot dịch vụ điều khiển bằng giọng nói với giá thành cạnh tranh.
• Học viên cao học và sinh viên khối ngành Điện tử - Viễn thông, Công nghệ Thông tin: Nguồn tài liệu học tập chuẩn mực về việc kết hợp giữa công cụ mô phỏng toán học trên máy tính và lập trình C nhúng trên môi trường Keil C, phục vụ nghiên cứu và thực hiện các đồ án tốt nghiệp chuyên ngành.

Câu hỏi thường gặp

Tại sao nghiên cứu lại chọn vi điều khiển ARM Cortex-M3 thay vì máy tính hoặc chip FPGA?

Vi điều khiển STM32F103ZET6 lõi ARM Cortex-M3 sở hữu tần số 72 MHz, giá thành rẻ và tiêu thụ rất ít năng lượng. Trong khi máy tính quá cồng kềnh và chip FPGA có chi phí phần cứng cao gấp nhiều lần, ARM Cortex-M3 là giải pháp cân bằng tối ưu giữa hiệu năng tính toán, chi phí sản xuất và khả năng ứng dụng thực tế trên thiết bị di động.

Vector đặc trưng 39 chiều của phương pháp MFCC bao gồm những thành phần cụ thể nào?

Vector 39 chiều bao gồm: 1 giá trị năng lượng logarit của khung, 12 hệ số cepstral tần số Mel (MFCC) bậc thấp, 1 hệ số Delta năng lượng, 12 hệ số Delta MFCC biểu thị vận tốc biến thiên phổ, 1 hệ số Double-Delta năng lượng và 12 hệ số Double-Delta MFCC biểu thị gia tốc biến thiên phổ.

Thuật toán VAD tách tiếng nói khỏi khoảng lặng dựa trên nguyên lý nào?

Thuật toán VAD kết hợp giữa hai thông số: hàm năng lượng công suất ngắn hạn và tỷ lệ qua điểm zero (ZCR). Tín hiệu tiếng nói có năng lượng lớn nhưng ZCR thấp, ngược lại nhiễu có năng lượng nhỏ nhưng ZCR cao. Hệ thống thu 50 khung nhiễu nền để tính giá trị ngưỡng tự thích ứng với hệ số nhân 0,252.

Mạng nơ-ron MLP được cấu hình và huấn luyện như thế nào trong đề tài?

Hệ thống sử dụng mạng MLP 3 lớp gồm lớp vào nhận vector đặc trưng, một lớp ẩn với các nơ-ron kích hoạt phi tuyến Sigmoid và lớp ra tương ứng với các từ cần nhận dạng. Quá trình huấn luyện sử dụng thuật toán lan truyền ngược lỗi với tốc độ học 0,001 cho đến khi tổng sai số hội tụ về mức tối thiểu.

Hệ thống xử lý thế nào đối với các khác biệt về tốc độ phát âm giữa các lần nói?

Việc chia khung tín hiệu thành các đoạn ngắn 20 ms gối đầu 5 ms kết hợp với việc tính toán các đạo hàm Delta và Double-Delta giúp hệ thống ghi nhận được động lực học của chuỗi phát âm. Ngoài ra, việc chuẩn hóa vector đặc trưng về giá trị trung bình giúp triệt tiêu sự sai lệch biên độ giữa các lần nói.

Kết luận

• Tối ưu hóa thành công thuật toán MFCC trên ARM Cortex-M3: Nghiên cứu đã chứng minh tính khả thi của việc trích xuất vector đặc trưng 39 chiều trực tiếp trên vi điều khiển nhúng 72 MHz.
• Đạt độ chính xác nhận dạng ấn tượng: Hệ thống đạt tỷ lệ nhận dạng 90% trong môi trường chuẩn và trên 80% trong môi trường thực nghiệm điều khiển xe robot di động.
• Làm chủ công nghệ nhận dạng giọng nói tiếng Việt offline: Đề tài đã xây dựng thành công quy trình xử lý tín hiệu hoàn chỉnh cho tiếng Việt có thanh điệu mà không cần kết nối mạng Internet hay máy chủ đám mây.
• Lộ trình phát triển rõ ràng trong 6 đến 18 tháng: Kế hoạch tiếp theo tập trung vào việc mở rộng tập từ vựng, tích hợp bộ lọc Kalman và nâng cấp lên dòng vi điều khiển Cortex-M4/M7 có FPU.
• Giá trị ứng dụng thực tiễn cao: Đóng vai trò là nền tảng vững chắc để chuyển giao công nghệ cho các hệ thống nhà thông minh, thiết bị hỗ trợ y tế và robot dịch vụ thương mại.