AbstractAutomatic segmentation of audio streams according to speaker identities, environmental and channel conditions has become an important preprocessing step for speech processing, speaker recognition and audio mining. This paper presents an automatic speech segmentation system where the performance of the probabilistic neural network (PNN)(which is the main part of the system) is examined and then enhanced in the area of segmentation of conversational speech. The results show that a percentage false segmentation (PFS) of 18% can be achieved. PFS is dropped to 6.1% enhancing the system. The experiments were carried out on a dataset created by concatenating speakers from the TIMIT database.Keywords: Speech segmentation, PNN, Probabilistic neural network.

الملخصلقد أصبح التقطيع الذاتي للاسترسال الكلامي اعتماداً على هوية المتكلم أوالبيئة التي تم الكلام فيها أو القناة التي نقلت الكلام من المراحل المهمة في المعالجة المسبقة التي تتم على الكلام لعمليات مثل تمييز المتكلم أو تمييز الكلام. في هذا البحث تم تقديم نظام تقطيع ذاتي تم من خلاله استكشاف إمكانيات الشبكة العصبية الاحتمالية على تقطيع المحاورات الكلامية كما تم تحسين أداء النظام للحصول على نتائج أفضل حيث أظهرت النتائج إمكانية الحصول على نسبة خطأ في التقطيع مقدارها 18%, في حين انخفضت هذه النسبة إلى 6,1% بعد إجراء عملية التحسين على النظام. تم استخدام مجموعة TIMIT كقاعدة أصوات لتقييم أداء النظام.

Keywords: Speech segmentation --- PNN --- Probabilistic neural network.

Deep learning of multi-layer computational models allowed processing to recognize data representation at multiple levels of abstraction. These techniques have greatly improved the latest ear recognition technology. PNN is a type of radiative basis for classification problems and is based on the Bayes decision-making base, which reduces the expected error of classification. In this paper, strong features of images are used to give a good result, therefore, SIFT method using these features after adding improvements and developments. This method was one of the powerful algorithms in matching that needed to find energy pixels. This method gives stronger feature on features and gives a large number of a strong pixel, which is considered a center and neglected the remainder of it in our work. Each pixel of which is constant for image translation, scaling, rotation, and embedded lighting changes in lighting or 3D projection. Therefore, the interpretation is developed by using a hierarchical cluster method; to assign a set of properties (find the approximation between pixels) were classified into one.

التعلم العميق للنماذج الحسابية متعددة الطبقات بمعالجة التعرف على تمثيل البيانات على مستويات متعددة من التجريد. هذه التقنيات حسنت بشكل كبير أحدث تقنيات التعرف على الأذن. PNN هو نوع من الأساس الإشعاعي لمشكلات التصنيف ويستند إلى قاعدة اتخاذ القرار في Bayes ، مما يقلل من الخطأ المتوقع في التصنيف. في هذه الورقة ، يتم استخدام ميزات قوية للصور لإعطاء نتيجة جيدة ، وبالتالي ، استخدمنا طريقة SIFT احدى الطرق القوية لايجاد بكسل القوي وذلك بعد ما قمتا بتحسين وتطوير الطريقة التي تعتبر واحدة من الخوارزميات القوية في المطابقة المطلوبة للعثور على بكسلات الطاقة. توفر هذه الطريقة ميزة أقوى على الميزات وتعطي عددًا كبيرًا من البكسلات القوية ، والتي تعتبر مركزًا وتهمل الجزء المتبقي منها في عملنا.كل بكسل منها ثابت لتغيرات الصور ، التدريج ، الدوران ، والإضاءة المدمجة في الإضاءة أو الإسقاط الثلاثي الأبعاد. لذلك ، يتم تطوير التفسير باستخدام أسلوب نظام تسلسل هرمي؛ لتعيين مجموعة من الخصائص (العثور على التقريب بين البكسلات) تم تصنيفها إلى واحد.

Scale Invariant Feature Transform --- SIFT --- Probabilistic Neural Networks --- PNN --- Hierarchical Cluster.