Автоматизация процесса верификации абонентов АСУ с речевым управлением тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Катков, Олег Николаевич

• Катков, Олег Николаевич
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Катков, Олег Николаевич

Введение.

ГЛАВА 1 Сравнительный анализ способов идентификации пользователей АСУ.

1.1 Верификация пользователей в АСУП.

1.2 Сравнение методов контроля биометрических параметров.

1.2.1 Идентификация личности по рисунку сосудов глазного дна.

1.2.2 Идентификация личности по радужной оболочке глаза.

1.2.3 Идентификация личности по геометрии кисти руки.

1.2.4 Идентификация по папиллярным рисункам пальцев руки.

1.2.5 Идентификация личности по особенности геометрии лица.

1.2.6 Термографическое наблюдение лицевых артерий и вен.

1.2.7 Идентификация личности по венам руки.

1.2.8 Развитие статических методов биометрической идентификации.

1.3 Принципы идентификации методом динамической биометрии.

1.4 Обобщенная структура систем биометрической идентификации.

1.5 Сравнительный анализ систем идентификации личности.

Выводы по первой главе.

ГЛАВА 2 Анализ принципов построения систем речевой верификации личности.

2.1 Характеристики и параметры речевых сигналов.

2.2 Идентификация личности по особенностям голоса.

2.3 Структура систем речевого распознавания.

2.4 Алгоритм определения частоты основного тона.

2.5 Нечеткая логика в системах верификации.

Выводы по второй главе.

ГЛАВА 3 Нейросетевые системы верификации речевых сигналов.

3.1 Нейронные сети и их применение для распознавания речевых сигналов.

3.2 Динамическая нейронная сеть и алгоритмы ее функционирования.

3.3 Устройство и алгоритм исключения неинформативных параметров речевого сигнала.

Выводы по третьей главе.

ГЛАВА 4 Процесс верификации пользователей на основе динамических нейронных сетей.

4.1 Локально-стационарная модель речевых сигналов.

4.2 Распознавание речевых сигналов как решение дискретной экстремальной задачи.

4.3 Математическая модель процесса верификации.

4.4. Разработка алгоритма процесса верификации.

4.5 Разработка рекомендаций по реализации системы речевой верификации.

4.6 Оценка эффективности системы речевой верификации.

Выводы по четвертой главе.

Введение диссертации (часть автореферата) на тему «Автоматизация процесса верификации абонентов АСУ с речевым управлением»

Современный этап развития информационно-вычислительных и автоматизированных систем характеризуется расширением их функциональных возможностей с предоставлением потребителям широкой сферы дополнительных и сервисных услуг. В частности, значительно упрощен доступ к информационным базам данных по сетям Internet и Intranet, осуществляемый даже с сотовых телефонов, автоматизированы процессы вычислений, различного вида проектирования, маркетинга, составления отчетов и т. п.

Одним из перспективных направлений дальнейшего совершенствования средств информационно-вычислительной техники является разработка и внедрение человеко-машинных систем - автоматизированных систем с речевым управлением, основанных на распознавании речи и ее преобразовании в набор управляющих команд или текстовых файлов. Создание таких систем позволит значительно упростить процессы составления различных отчетов (печатные машинки, управляемые голосом), поиска информации (по ключевым словам в речевом запросе), выдачи справочных данных (о расписании поездов, местонахождении объектов, номерах телефонов и т. п.).

Вторым, и одним из важнейших путей развития систем с речевым управлением является создание устройств идентификации личности абонента в целях защиты информационных баз данных от несанкционированного использования или преднамеренного искажения. Такая защита необходима не только в информационно-вычислительных системах специального назначения, но и в автоматизированных системах управления технологическими процессами на предприятиях точного приборостроения, выпускающих продукцию двойного назначения.

Передовой мировой опыт доказывает, что повышение эффективности деятельности современного предприятия возможно только при наличии единой системы, объединяющей управление финансами, персоналом, снабжением, сбытом и собственно производством. Такие системы рассматриваются как средство достижения основных целей бизнеса: улучшения качества выпускаемой продукции, снижения издержек и увеличения объема производства.

Актуальность работ по созданию и внедрению на предприятии автоматизированной системы оперативного диспетчерского управления (АСО-ДУ) каждый руководитель понимает по-своему. Однако есть ряд объективных факторов, влияющих на принятие решения. Так, решить задачу повышения эффективности собственного производства невозможно без получения объективной картины технических и технологических параметров производства. Другой фактор - это наличие информационных и организационных барьеров между управленческими и технологическими уровнями. И последнее, необходимо осуществить разграничение доступа лиц к общей информационной базе в соответствии с занимаемым положением и возложенными функциональными обязанностями.

В связи с этим исследование и разработка микропроцессорных устройств для автоматического распознавания абонентов по особенностям речи является важной научно-практической задачей, которая особенно актуальна на современном этапе развития информационных технологий.

Создание устройств с высокой надежностью (достоверностью) распознавания речи позволит обеспечить не только допуск легитимных абонентов к информационным сетям специального назначения, но и решать задачи автоматической оценки эмоционального состояния операторов, управляющих сложными производственными процессами, а также других лиц, работающих в реальных или моделируемых стрессовых ситуациях. В частности, по снижению скорости речи можно судить о степени утомляемости, а повышение акустического уровня звука и частоты слов указывает на эмоциональное возбуждение человека при возникновении непредвиденных ситуаций, и т. д.

Исследованиями различных аспектов проблемы распознавания речевых сигналов занимаются тысячи зарубежных организаций. Имеются мощные научные центры в Японии, Франции, Канаде, Швеции и других странах.

Ведущими американскими центрами в области речевых технологий являются Массачусетский технологический институт, Калифорнийский и Карнеги-Меллонский университеты, Хаскинская и Белловская лаборатории. Значительные достижения имеют исследовательские центры фирм IBM и BBN, фирмы Scott Instruments Inc., Kurzweil Applied Intelligence Inc., Voice Processing Corp., Texas Instruments и др. В Японии ведущей фирмой является NliC и исследовательские центры Университетов городов Токио и Киото. В Швеции - Королевский Технологический Институт, в Финляндии - Хельсинский Университет.

В России и странах ближнего зарубежья несколько десятков организаций также работает в области цифровой обработки речевых сигналов. Среди этих организаций три мощных коллектива проводят полный цикл работ в области распознавания речи - начиная от комплексных исследований про-! блемы и закапчивая изготовлением опытных и серийных образцов. К этим коллективам относятся: Институт кибернетики АН Украины, Институт ма-, тематики СО РАН и Институт технической кибернетики АН Белоруссии.

Следует также отметить Московский и Петербургский университеты, в которых работают две лингвистических школы, и Петербургский Институт физиологии РАН, где имеется одна из ведущих в мире физиологических школ.

В СССР процессорное устройство для распознавания изолированных команд "Икар" было создано еще в 1980 году в НИИ СЧЕТМАШ [1, 2], а в 1982-1983 годах созданы системы распознавания изолированных команд: "Речь" (ИК АН Украины) [3], "Марс" (НТК Беларусии) и "Сибирь" (ИМ СО РАН и НГУ) [4].

Применение векторного квантования измеряемых характеристик (признаков) речевых сигналов, представление речевых сигналов в пространстве признаков в виде марковских последовательностей, появление быстродействующих процессоров и увеличение объемов оперативной памяти компьютеров позволило еще в 1980-е годы теоретически решить проблему распознавания речи, составленной из словарей большого объема. Однако широкое распространение систем распознавания речи сдерживалось ограниченной производительностью вычислительной техники. Для распознавания, например, 200 команд необходим процессор с производительностью 30 млн. операций в секунду, содержащий 500 тыс. электронных компонентов. Для распознавания слитно произнесенных цифр нужно выполнять до 100 млн. операций в секунду процессором, имеющим один миллион компонентов. Кроме того, для распознавания слитной речи на базе словаря в 1000 слов требуется производить вычисления со скоростью один млрд. операций в секунду при 10 млн. компонентах на процессор. Для распознавания слитной речи из словаря с 5000 слов - до 300 млрд. операций в секунду на процессоре, имеющем более 30 млн. элементов [5].

Универсальные системы распознавания речи продемонстрировали эф- f фективность устного ввода информации. Однако эти системы трудно адаптировать к конкретной предметной области, поэтому они не нашли широкого практического применения, в частности, из-за относительно невысокой надежности распознавания слов, составляющей в среднем около 80 % при ощутимой задержке при выдаче результатов распознавания речи.

В это же время спегщаяпзированные системы распознавания речевых сигналов характеризуются сравнительно высоким показателем надежности. Так, голосовая пишущая машинка (Voice typewriter) фирмы IBM с системой распознавания речи TANGORA на 20000 слов обучается на голос диктора в течение 20 минут при произнесении фраз с четко выраженными паузами между словами, и при прочтении четырьмя дикторами 100 эталонных предложений (1696 слов) получено всего 3,5 % ошибок [6, 7].

Фирмы British Telecom, Lodgica и Кембриджский университет в рамках программы Alvey создали голосовую систему управления базой данных (VODIS) для получения по телефону информации о движении поездов, которая рассчитана на распознавание 200 слов в составе предложений [8].

В Карнеги-Меллонском университет и фирме Dragon Systems разработана система, ориентированная на словари изолированных слов объемом 1000, 11000 и 30000 слов с надежностью распознавания на тестовом словаре DARPA 1000 слов - 98,6 %, 11000 слов - ,83 % и 30000 слов - 93 % [6].

В настоящее время развиваются проекты по распознаванию слитной речи из словарей, содержащих десятки тысяч и даже более 100 тысяч слов.

Современные системы распознавания речи основаны на использовании сигнальных процессоров серии TMS320 и быстродействующих персональных компьютеров со специализированным программным обеспечением, чем практически ограничивается возможность применения таких устройств в различных областях. В связи с этим ставится задача по разработке и исследованию систем распознавания речи, специализированных по областям применения и реализуемых на базе одной - двух интегральных микросхем.

Возможность практического создания таких речевых микросхем обусловлена несколькими факторами: развитием средств сотовой связи, широким внедрением устройств управления на базе нечеткой логики и разработкой новых алгоритмов динамического программирования, реализуемых на нейтронных сетях. Сочетание принципов построения данных устройств позволяет обеспечить решение задачи по созданию надежных и сравнительно недорогих микросхем распознавания речевых сигналов, предназначенных для идентификации личности или управления технологическими процессами.

В общем случае проблема создания устройств с речевым управлением и систем распознавания речи содержит две принципиально разных задачи.

Первая задача сводится к преобразованию акустического речевого сигнала в электрический сигнал с его последующим цифровым преобразованием или кодированием. При этом выделяются основные информативные признаки речи (частота основного тона и ряд коэффициентов, характеризующих тембр и фонетические особенности речи на интервалах 10-30 мс), которые передаются по каналу связи в виде последовательности параметров.

Вторая задача заключается в сравнении неизвестных параметров речи с некоторыми базовыми эталонными значениями, получаемыми заранее на этапе обучения системы распознавания, и формировании выходных сигналов в зависимости от итогов сравнения в виде необходимых управляющих воздействий или как результат идентификации личности абонента.

Успешное и вполне удовлетворительное решение первой задачи - кодирование параметров речи - доказано практическим использованием миллиардов сотовых телефонов, в которых реализовано цифровое преобразование разноязычной речи и ее передача со скоростью 13,5 килобит в секунду.

В связи с этим объектом исследования в диссертационной работе являются системы верификации пользователей АСУ с речевым управлением.

Предмет исследования - модели и алгоритмы обработки речевых сигналов.

Цель работы состоит в повышении качества функционирования АСУ с речевым управлением за счет совершенствования системы верификации пользователей.

Поставленная цель предполагает решение следующих научных задач:

- обоснование способа эффективной верификации пользователей АСУ на основе их речевых характеристик;

- разработка алгоритмов обработки речевых сигналов для задач верификации пользователей в АСУ с речевым управлением;

- моделирование и экспериментальное исследование алгоритма речевой верификации для оценки его результативности и аппаратурных затрат.

При решении поставленных в диссертационной работе задач применялись следующие методы исследования: методы системного анализа, методы теории множеств, теория нейронных сетей, теория принятия решений, меточ ды объектно-ориентированного программирования, теория электрической связи, методы статистической обработки сигналов, а также программные и языковые средства современных компьютерных технологий.

Научная новизна диссертационной работы заключается в следующем:

- разработаны математическая модель и алгоритм верификации пользователей АСУ с речевым управлением, основанные на аппарате динамических нейронных сетей, учитывающие статистические характеристики речевого сигнала;

- разработан новый алгоритм фрагментирования речевых сигналов для формирования признакового пространства на входе нейронной сети, учитывающий автокорреляционные связи между соседними речевыми кадрами;

- разработан способ определения частоты основного тона речевого сигнала, основанный на быстром преобразовании Фурье и адаптивном изменении интервала анализа

Основные положения, выносимые на защиту диссертационной работы:

1. Способ определения частоты основного тона речевого сигнала, основанный на адаптивном изменении интервала анализа.

2. Устройство и алгоритм исключения неинформативных параметров речевого сигнала, обеспечивающий сокращение времени верификации абонентов АСУ с речевым управлением.

3. Математическая модель и алгоритм процесса речевой верификации абонентов АСУ с речевым управлением на основе аппарата динамических нейронных сетей.

Практическая значимость и реализация результатов работы заключается в том, что полученные научно-технические решения использованы при выполнении двух научно-исследовательских работ, проведенных в Академии ФСО России в 2006 — 2007 годах. Результаты исследований внедрены и используются в образовательном процессе - при проведении практических и лабораторных работ по курсу "Теория электрической связи" и "Цифровая обработка сигналов" на кафедре №7 Академии ФСО России, а также при дипломном проектировании.

Апробация работы. Основные положения и результаты работы докладывались и получили положительную оценку на следующих конференциях:

1. Международная научная конференция "Информатизация и информационная безопасность правоохранительных органов" Москва, 2004 г.

2. XI Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов "Новые информационные технологии в научных исследованиях и образовании" Рязань, 2006.

3. XII Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов "Новые информационные технологии в научных исследованиях и образовании" Рязань, 2007.

4. 33-я Всероссийская научно-техническая конференция "Сети, системы связи и телекоммуникации. Деятельность ВУЗа при переходе на федеральный государственный образовательный стандарт 3-го поколения" Рязань, 2008.

5. XIII Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов "Новые информационные технологии в научных исследованиях и образовании" Рязань, 2008.

По результатам проведенных исследований опубликовано 6 статей, в том числе 4 работы в изданиях из перечня ВАК.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Катков, Олег Николаевич

Выводы по четвертой главе

1. Применение динамической нейронной сети для систем верификации позволяет реализовать операции динамического обучения и распознавания элементов входной последовательности или векторов параметров речевого сигнала с адаптивной подстройкой весов отдельных нейронов (осей гипертрубок) для наилучшей обработки входной информации.

2. Повышение эффективности распознавания параметров речевого сигнала обеспечивается введением механизма управления, который на основании распознанной информации выстраивает возможные продолжения траекторий гипертрубок и регулирует радиусы расфокусировок нейроэлементов.

3. Для эффективного и надежного распознавания сложных речевых образов целесообразно применять иерархические структуры динамических нейронных сетей, позволяющие учитывать иерархию речи под руководством глобального механизма управления, который управляет локализацией траекторий на всех уровнях структуры на основе анализа состояния всей нейронной сети.

4. При разработке систем распознавания речевых сигналов для структур разграничения доступа в ИВС и АСУ должны быть реализованы, как минимум, три процедуры - регистрации, идентификации и аутентификации легитимных пользователей.

5. Для оценки эффективности речевых систем верификации целесообразно использовать случайный набор контрольных фраз с ярко выраженными признаками распознавания, а в качестве результата использовать вероятность правильных решений системы о принадлежности объекта к тому или иному классу при заранее известной принадлежности классифицируемого объекта.

6. Для решения задач распознавания речи в системах идентификации в рамках цифровой обработки сигналов наиболее эффективно применение сигнальных процессоров платформ С5000 и С6000 в сочетании с программной реализацией динамических нейронных систем, обеспечивающих оптимальное соотношение низкого энергопотребления и высокой производительности.

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований установлено следующее.

1. На основании сравнительного анализа выявлена перспективность применения биометрических систем распознавания речи для верификации пользователей АСУ с речевым управлением.

2. Обоснована целесообразность применения систем распознавания по голосу абонента, обеспечивающих высокую надежность идентификации при минимальных временных затратах и требованиях к операционным ресурсам, максимальное удобство для пользователя и низкую стоимость изготовления.

3. Усовершенствован способ построения систем распознавания речевых сигналов, обеспечивающий повышение надежности и уменьшение трудоемкости на стадии формирования речевых эталонов за счет предварительного исключения кадров речи с малой вариацией параметров.

4. Разработан и экспериментально опробован алгоритм фрагментиро-вания речевого сигнала, обеспечивающий уменьшение времени формирования эталонов и повышение надежности верификации пользователей за счет снижения информационной избыточности речевого сигнала.

5. Разработана математическая модель верификации пользователей на основе нейронной сети, отличающаяся от известных решений новым способом перестройки структуры нейросети и обеспечивающая повышение достоверности распознавания, что подтверждено экспериментальными данными.

6. Показана реальная возможность разработки и создания специализированных микросхем на нейронных элементах для верификации пользователей по речевым параметрам в целях защиты АСУ с речевым управлением, транспортных средств и информационных ресурсов от несанкционированного использования.

7. Предложена и реализована программно-аппаратным способом система верификации пользователей АСУ по особенностям речевого сигнала, которая внедрена в Академии ФСО России и используется в учебном процессе.

Список литературы диссертационного исследования кандидат технических наук Катков, Олег Николаевич, 2008 год

1. Петров Г.М., Аврин С.Б., Копейкин А.Б. Аппаратурные и программные решения задачи ввода устных команд в диалоговых периферийных устройствах // Автоматическое распознавание слуховых образов. Тбилиси: Мецниереба, 1982.-С. 213-215.

2. Аврин С.Б. О характеристиках надежности распознавания устных команд устройством ИКАР // Тез. докл. 13-й Всесоюз. школы-семинара по автоматическому распознаванию слуховых образов (АРСО-13).-Июль. -Новосибирск, 1984.-С. 179-180.

3. Винцюк Т. К. Анализ, распознавание и смысловая интерпретация речевых сигналов. Киев: Наукова думка, 1987. - 262 с.

4. Sakoe Н., Chiba S, A dynamic programming algorithm optimization for spoken word recognition //IEEE Trans. Aconst. Speech Signal Process. Feb., 1978. -Vol. ASSP-26, jYol. -pp. 43-49.

5. Миловидов H.H. Разговор с компьютером // Реферативный сборник: Новости науки и техники. Серия: Электронизация производства. - Вып.9. -М.: ВИНИТИ. - С. 4-7.

6. Тайпэн Д. Распознавание речи: завтра уже наступило?//Мир ПК. 1995.-№3.-С. 38-44.

7. Coined D. They're giving computers «ears» // Des. News. 1994. -Voi.49,№22.-pp. 75-77.

8. Гостехкомиссия России. Руководящий документ. Концепция защиты средств вычислительной техники и автоматизированных систем от несанкционированного доступа к информации. М.: 1997.

9. Гостехкомиссия России. Руководящий документ. Автоматизированные системы. Защита от несанкционированного доступа к информации. Классификация автоматизированных систем и требования по защите информации. М.: 1997.

10. Теоретические основы автоматического управления / А. В. Меньков, В. А. Острейковский. Учебник для вузов. - М.: Издательство Оникс, 2005. - 640 е.: ил.

11. Катков О. Н. Использование многослойного персептрона в системе голосовой аутентификации. Сборник трудов XIII Международной научной конференции "Информатизация и информационная безопасность правоохранительных органов" М:2004.-с. 418-421.

12. Ярочкин В.И. Безопасность информационных систем. М.:, 1996. - 320с.

13. Вычислительная техника. Терминология: Справочное пособие. -М.: Изд-во стандартов, 1989. 168 с.

14. Петров А. А. Компьютерная безопасность. Криптографические методы защиты. М.: ДМК-2000-447 с.

15. Медведовский И.Д. Атака на Internet / И.Д. Медведовский, П.В.Семьянов, Д.Г.Леонов //U.: ДМК -1999-334 с.

16. Иванов А. И. Биометрическая идентификация личности по динамике подсознательных движений: Монография. Пенза: Изд-во Пенз. гос. ун-та, 2000. - 188 с.:36 ил., 13 табл., библиогр 120 назв.

17. Расторгуев С.П. Программные методы защиты информации в компьютерах и сетях. М.: Из-во «Яхтсмен», 1993.

18. Тельных А. Идентификация личности. Как это делается. /А. Тельных, А. Коган. //Компьютерра. -1999-№10-С.39-41.

19. Филлипс П. Дж. Введение в оценку биометрических систем. /П. Дж. Фил-липс, Э. Мартин, C.JI. Пржибоски //Открытые системы. -2000-№3-С.21-27.

20. Уиллес Д. Пусть Ваши пальцы зарегистрируются сами. //Сети и системы связи.-1998-№9(31)-С. 156-160.

21. Пентланд А. Распознавание лиц для интеллектуальных сред. /А. Пент-ланд, Т. Чаудхари, //Открытые системы. -2000-№3- С.28-33.

22. Белоцерковский О.М. Компьютерное распознавание человеческих лиц. /О.М. Белоцерковский, А.С. Глазунов, В.В. Щеиников //Зарубежная радиоэлектроника. Успехи современной радиоэлектроники. -1997-№8-С.З-14.

23. Ахмед Н. Ортогональные преобразования при обработке цифровых сигналов. /Н. Ахмед, К.Р. Рао -М.: Связь, 1980 248 с.

24. Залманзон JI.A. Преобразование Фурье, Уолша, Хаара и их применение в управлении и других областях. М.: Наука -1989.

25. Маркел Дж. Д. Линейное предсказание речи. /Дж. Д. Маркел, А.Х. Грей -М.: Радио и связь, 1980, 248 с.

26. Марпл С.Л. Цифровой спектральный анализ и его приложения. -М.: Мир 1990.

27. Власенко В.А. Методы синтеза быстрых алгоритмов свертки и спектрального анализа сигналов. /В.А.Власенко, Ю.М.Лаппа, Л.П.ЯрославскиЙ -М.: Наука- 1990.

28. Tokhura Y. A weighted cpestral distance measure for speech recognition. IEEE Trans. On Acoustic, Speech, Signal Processing, 1987, ASSP-35, №. 10.

29. Бочкарев С.Л. Эффект нелинейных кепстральных преобразований при идентификации личности по голосу. //Тезисы доклада конференции «Безопасность и конфиденциальность информации в сетях и системах связи». Пенза: ПНИЭИ, 6-9 октября 1998- С. 62.

30. Рамишвили Г.С. Автоматическое опознавание говорящего по голосу. -М.: Радио и связь-1981- 224 с.

31. Мясников JI.JL, Мясникова Е.Н. Автоматическое распознавание звуковых образов. -JL: «Энергия», 1970,- 183 с.

32. Фомин Я. А., Тарловский Г. Р. Статистическая теория распознавания образов. -М.: Радио и связь, 1986. 264 с : ил.

33. Сапожков М.А. Речевой сигнал в кибернетике и связи. М.: Связьиздат, 1963.-450 с.

34. Величко В.М., Загоруйко Н.Г. Автоматическое распознавание ограниченного набора устных команд // Вычислительные системы. Новосибирск, 1969.-Вып. 36.-С. 101-110.

35. Загоруйко Н.Г. Методы распознавания и их применение. М.: Сов. Радио,-1972.-207 с.

36. Винцюк Т. К. Распознавание слов устной речи методами динамического программирования//Кибернетика. 1968.-№1.-С. 81-88.

37. Винцюк Т К. Анализ, распознавание и смысловая интерпретация речевых сигналов. Киев: Наукова думка, 1987. - 262 с.

38. Sakoe Н., Chiba. S. A dynamic programming approach to continuos speech recognition // Proc. 7-th Int. Congr. Acoustics. Budapest. -1971, Aug., -Vol.3, -pp. 65-68.

39. ТИИЭР // Речевая связь с машинами. Тематический выпуск. -1976,-Т.64,№4.

40. ТИИЭР // Речевая связь с машинами. Тематический выпуск. -1985,-Т.73,№11.S

41. Фланаган Дж. Анализ, синтез и восприятие речи: Пер. с англ. / Под. ред. А. А. Пирогова. М.: Связь, 1968. - 396 с.

42. Кельманов А.В. Первичная обработка сигналов в системах распознавания речи // Вычислительные системы // АН СССР. Сиб. отд. Институт математики. Новосибирск, 1990. - Вып. 134. - Анализ данных и знаний в экспертных системах. - С. 96-139.

43. Винцюк Т. К. Распознавание непрерывной речи, составленной из слов заданного словаря // Кибернетика. 1971. - №2. - С. 133-143.

44. Система распознавания связной речи фирмы NEC // Зарубежная радиоэлектроника.- 1980.-№4.-С. 108-120.

45. Распознавание образов: состояние и перспективы: Пер. с англ./ К. Верха-ген, Р. Дейн, Ф. Грун и др. М.: Радио и связь, 1985. - 104 е., ил.

46. Катков О. Н., Пименов В.^А., Рыжков А. П. Использование адаптивной нейронной сети в системе голосовой аутентификации // Телекоммуникации. -2005. №2-С. 34-40.

47. Катков О. Н., Пименов В. А. Система распознавания речи на основе нейронной сети // Телекоммуникации. -2004. №2-С. 14-19.

48. Потапова Р.К. Речевое управление роботом. М.: Радио и связь, 1989.248 с.

49. Величко В.М. Минимизация вычислений в распознавании речи // Вычислительные системы. Новосибирск, 1985, -Вып. 113. -Анализ символьных последовательностей.- С. 123-132.

50. Proc. Nat. Acad. Sci. USA//1995. Vol.92, №22. -pp. 9911-10063.

51. Zue V.W. Navigating the information superhighway using spoken language interfaces /'IEEE Expert. -1995. Vol 10, Ш. -pp. 39-73. IEE Rev. - 1968. -Vol.34, №10. -pp. 365-368.

52. Гелиг A. X. Динамика импульсных систем и нейронных сетей. Л., Изд-во Ленингр. Ун-та. 1982. 192 с. Ил. библиогр. - 95 назв.

53. Green Т. A word in your ear // Pers. Сотри!. World. 1995. - Vol.18, №4. -pp. 364-370.

54. Основы обучения искусственных нейронных сетей: Ученое пособие/ В. И. Волчихин, А. И. Иванов. Пенза: Издательство пенз. гос. ун-та, 2004. - 116 е.: 45 ил., 2 табл., библиогр. 32 назв.

55. Катков О. Н., Пименов В. А. Свойства нейронных сетей и их использование для распознавания речевых сигналов. // Телекоммуникации. -2003. №12-С. 6-11.

56. Реасоске R.D., Graf D.H. An Introduction to Speech and Speaker Recognition //Computere. Aug. - 1990. - pp. 26-33.

57. Fung M.-W. Improved Speaker Adaptation Using Text-Dependent Spectral Mappings //Proc. IEEE Int. Conf. Acoustics, Speech, and Signal Processing. -New York City, 1986.-pp. 131-134.

58. Paul D.B. The Lincoln Robust Continuous Speech Recognizer // Proc. IEEE Int. Conf. Acoustics, Speech, and Signal Processing. Glasgow, Scotland. -May, 1969. -pp. 449-452.

59. Murveit H., Weintraub M. 1000-Word Speaker-Independent Continuous-Speech Recognition Using Hidden Markov Models // Proc. IEEE Int. Conf,

60. Acoustics, Speech, and Signal Processing. New York City, 1968.-pp. 115116.

61. Wylegala W. 20000-Word Recognizer Based on Statistical Evaluations Methods//Speech Technology Magazine. Apr./May, 1969.-pp. 16-16.

62. Фант Г. Акустическая теория речеобразования: Пер. с англ. М.: Наука, 1964.-284 с.

63. Бондарко J1. В. Звуковой строй современного русского языка. -М.: Просвещение, 1977. 175 с.

64. Потапова Р.К. Лингвистические ограничения и сегментация слитной речи // Проблемы построения систем понимания речи. -М.: Наука, 1980.-С. 18-30.

65. Физиология речи. Восприятие речи человеком / А.А. Чистович, А.В. Венцов, МП. Гранстрем и др. Л.: Наука, 1976. - 388 с.

66. Сорокин В.Н. Теория речеобразования. М.: Радио и связь, 1985.-312 с.

67. Шемакин Ю.И., Романов А.А. Компьютерная семантика. М.: НОЦ «Школа Китайгородской», 1995. - 343 с.

68. Cohen J.R. Application of an auditory model to speech recognition // J. Acoust. Soc. Am. -1989. -M>6. -pp. 2623-2629.1A. Дмитренко C.H. Фонемы русского языка. Их сочетаемость и функциональная нагрузка. М.: Наука, 1985. - 231 с.

69. Златоустова Л.В., Потапова Р.К., Трунин-Донской В.Н. Общая и прикладная фонетика: Учеб. пособие. М: МГУ, 1986. - 304 с.

70. Фукунага К. Введение в статистическую теорию распознавания образов: Пер. с англ. / Под ред. А.А. Дорофеюка. М.: Наука, 1979.-368 с.

71. Рабинер Л.Р. Скрытые марковские модели и их применение в избранных приложениях при распознавании речи: Обзор // ТИИЭР. 1989. - Т.77, №2. - С. 86-120.

72. Кемени Дж. Дж., Снел Дж. Л. Конечные цепи Маркова: Пер. с англ. / Под ред. В.Н. Прохорова, B.C. Звездина. М.: Связь, 1980.-308 с.79