‫الجـمهورية الجزائرية الديمقراطيةالشعبي ة‬

République Algérienne démocratique et populaire

‫وزارة التعليم الــعــالي والبحــث العــلمــي‬

Ministère de l’enseignement supérieur et de la recherche
scientifique

‫جــامعة سعد دحلب البليدة‬

Université SAAD DAHLAB de BLIDA

‫كلية التكنولوجيا‬
Faculté de Technologie

‫قسم اإللكترونيـك‬
Département d’Électronique

Mémoire de Master

Filière Électronique
Spécialité Instrumentation

Présenté par :
BARA Sabrine

&

MORSLI Mohamed Ridha

Reconnaissance automatique du locuteur à l'aide des

réseaux de neurones convolutifs

Proposé par : YKHLEF Farid

Année Universitaire 2022-2023

 Remerciements

Nous tenons à exprimer nos sincères remerciements au Dieu tout-puissant, qui nous
a accordé la volonté, la santé et le courage nécessaires pour mener à bien ce travail.

Nous tenons également à exprimer notre gratitude envers notre encadrant Mr.
F. YKHLEF pour sa confiance en notre capacité à mener ce projet à terme, à ses
conseils éclairés, son expertise et son soutien constant ont été essentiels pour nous
guider dans la bonne direction.

Nous tenons également à exprimer notre gratitude envers les membres du jury, Mr.
KHORISSI & Mme. BOUGHRIRA qui ont accepté de nous honorer en acceptant
d'examiner, de juger et d'évaluer notre mémoire fin d’étude.

À toutes les personnes qui ont contribué de près ou de loin à l'élaboration de ce

travail, nous tenons à exprimer notre profonde gratitude et à dire, MERCI.

Dédicaces
 Je dédie ce travail

Aux deux personnes les plus nobles, précieux et les plus chères

au Monde Ma mère, Mon père que DIEU les gardes. A mon cher
père qui n’a jamais cessé de m’encourager et de me

Donner les conseils fructueux, qui a fait de son mieux pour assurer La
continuité de mes études.

A ma très chère mère, Mère exemplaire pour mes frères et pour Moi-

même, tu as su donner l’éducation qu’il nous faut pour Affronter les

épreuves de la vie.

Tu nous as comblés de ton amour maternel et tu répondais

Présente à chacune de nos sollicitations. Puisse le Tout Puissant

T’accorder longue vie afin de profiter des fruits de ce labeur.

A mes secoures et mes frères, pour leurs aides, disponibilités et précieux conseils,
Que la vie vous apporte toute la joie et le bonheur.

A mes meilleurs amis

Yasmine, Taoues, Chiraz, Ouissel & Zineb

A mon binôme,
Je tiens à exprimer ma profonde gratitude. Notre collaboration, notre
complémentarité et notre travail d'équipe ont été la clé de notre réussite.

Sabrine
Dédicaces
 Je dédie ce modeste travail à :

Ma mère et Mon père :

Qui ont œuvré à ma réussite, de par leur amour, leur soutien, tous les sacrifices
consentis et leurs précieux conseils, pour toute leur assistance et leur présence
dans ma vie.

A mes frères et mes sœurs : Sarah, Bilel, Houssem-El-Din et Hadil :

Vos encouragements et votre présence partout m'ont été d'une grande aide durant
mes études. Je tiens à vous exprimer ma gratitude et à vous exprimer mes
sentiments sincères et ma gratitude éternelle. Dieu vous protège tous.

A la famille : MORSLI et BOURAHLA.

A mon binôme.

A mes enseignants qui m’ont formé tout au long de mon cursus scolaire et
universitaire.
A toute personne ayant contribué de prêt ou de loin à l’élaboration de ce travail.
A tous ceux qui me sont chers.

Mohamed-Ridha
‫ ) لتحسين دقة التعرف التلقائي‬CNN )‫يركز مشروع التخرج الخاص بنا على استخدام الشبكات العصبية التالفيفية‬: ‫ملخص‬
.‫ على مجموعة بيانات صوتية وحصلنا على نتائج مهمة من حيث دقة تحديد المتحدث‬CNN ‫ قمنا بتدريب نموذج‬.‫على السماعات‬
ً ‫يفتح هذا النهج آفاقًا جديدة لتطبيقات األمان القائمة على الصوت ويوفر فر‬
‫صا بحثية لزيادة تحسين أداء أنظمة التعرف على‬
. CNN ‫المتحدثين من خالل استخدام التعلم العميق وشبكات‬

.‫ الخصائص الصوتية‬،‫ تصنيف السماعات‬،CNN ‫ الشبكات العصبية البناء‬،‫ التعرف على السماعات‬:‫كلمات المفاتيح‬

Résumé : Notre projet de fin d’étude se concentre sur l'utilisation des réseaux de neurones
convolutifs (CNN) pour améliorer la précision de la reconnaissance automatique du locuteur. Nous
avons entraîné un modèle CNN sur un ensemble de données vocales et obtenu des résultats
significatifs en termes de précision d'identification des locuteurs. Cette approche ouvre de
nouvelles perspectives pour des applications de sécurité basées sur la voix et offre des opportunités
de recherche pour améliorer encore les performances des systèmes de reconnaissance du locuteur
grâce à l'utilisation du deep Learning et des CNN.

Mots Clés : Reconnaissance du locuteur, Réseaux de neurones constructifs (CNN), Classification

des locuteurs, Caractéristiques audio.

Abstract: Our final year project focuses on the use of Convolutional Neural Networks (CNN) to
enhance the accuracy of automatic speaker recognition. We trained a CNN model on a dataset of
speech samples and achieved significant results in terms of speaker identification accuracy. This
approach opens up new possibilities for voice-based security applications and provides research
opportunities to further improve speaker recognition systems performance through the utilization
of deep learning and CNN.

Keywords: Speaker recognition, Convolutional neural networks (CNN), Speaker classification,

Audio features.
Listes des abréviations

RAP : Reconnaissance Automatique De la Parole

RAL : Reconaissance Automatique de Locuteur

TD : Text Dependent

TI : Texte Independent

ID : Identification

VAL : Vérification Automatique du Locuteur

IA : Intelligence Artificielle

RNA : Réseau Neurone Artificiel

CNN : Convolutional Neural Network

RNN : Recurrent Neural Network

GMM : Gaussian Mixture Model

RELU : Rectified Linear Unit

GPU : Graphical Processing Unit

CPU : Central Processing Unit

FFT : Fast Fourier Transform

 Table des matières

INTRODUCTION GENERALE……………………………………………………………...01
CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR ..................................................03
1.1 INTRODUCTION ..........................................................................................................................03
1.2 La parole…………………………………………………………………………………......03

1.2.1 Production de parole ..................................................................................................03

1.2.2 Mécanisme de production de la parole ……………...……………………………….04

1.2.3 Paramètres du signal de parole……………………………………………………....05

1.3 La reconnaissance…………………………………………………………………………..06

1.3.1 La reconnaissance de parole………………………………………………………..07

1.3.2 La reconnaissance automatique de locuteur……………………………………10

1.3.3 Domaine d’application de la RAL………………………………………………11

1.3.4 Evaluation d’un système de RAL……………………………………………….....12

1.3.5 Structure de base de RAL …………………………………………………….......12

1.3.6 Les différentes branches de la RAL………………………………………………14

1.3.7 L’évolution de la reconnaissance du locuteur……………………………………..18

1.4 Conclusion……………………………………………………………………………........18

CHAPITRE 2 LEARNING ET LES RESEAUX DE NEURONES ………………………19

2.1 INTRODUCTION ………………………………………………………………………….....19

2.2 l’intelligence artificielle …………………………………………………………………....19

2.3 APPRENTISSAGE AUTOMATIQUE……………………………………………………………..20

2.4 Apprentissage profond ……………………………………………………………………..20

2.5 Types d’apprentissage …………………………………………………………………….. .21

2.5.1 apprentissage supervisé …………………………………………………………….21

2.5.2 Apprentissage non-supervisé ……………………………………………………….22

2.5.3 Apprentissage par renforcement …………………………………………………24.

2.6 Neurone biologique …………………………………………………………………………25

2.7 Le perceptron …………………………………………………………………………….....26

2.8 Perceptron multicouche …………………………………………………………………......26

2.9 Réseaux de neurones artificiels (RNA)………………………………………………………27

2.9.1 Le fonctionnement des réseaux de neurones artificiels………….………………28

2.9.2 Les types de réseaux de neurones artificiels ……………………………………28

2.10 Réseaux de neurones convolutionnels ……………………………………………..….… 30

2.10.1 Définition …………………………………………………………………………...30

2.10.2 Architecture des CNN……………………………………………………….. 31

2.10.3 Les déférentes couches des CNN …………………………………………………..31

2.10.4 Les fonctions d’activati on………………………………………………………33

2.10.5 Les paramètres des CNN ………………………………………………………34

2.10.6 L’entraînement des CNN …………………………………………………………34

2.11 Les avantage des CNN dans le domaine de RAL ………………………………………….35

2.12 Machine learning VS deep learning………………………………………………………...36

2.13 Conclusion ……………………………………………………………………………….....38

CHAPITRE 3 APPLICATION ET RESULTATS................................................................39

3.1 INTRODUCTION ………………………………………………………………………………..39
3.2 Objectif de travail…………………………………………………………………………......39
3.3 Environnement utilisés………………………………………………………………………..39

3.3.1 Langage python……………………………………………………………………….39

3.3.2 La plateforme Kaggle………………………………………………………………..41

3.3.3 Matlab………………………………………………………………………………42

3.4 Définition des bibliothèques utilisées………………………………………………………..42

3.4.1 Tensorflow…………………………………………………………………………...42

3.4.2 keras………………………………………………………………………………….43

3.4.3 Numpy………………………………………………………………………………..43

3.5 Description et caractéristiques de la base de données…………………………………….43

3.6 Prétraitement des données………………………………………………………………..44

3.7 Construction du modèle………………………………………………………………….. 47

3.8 L’entrainement et évaluation de modèle…………………………………………………. 49

3.9 Test & prédictions du modèle……………………………………………………………. 50

3.10 Résultat de classification………………………………………………………………… 52

3.11 Conclusion………………………………………………………………………………. 53

CONCLUSION GENERALE………………………………………………………………....54
BIBLIOGRAPHIE.
Liste des Figures
Chapitre1 :

Figure 1.1 : Organes de production de la parole humaine……………………………………04

Figure 1.2 : Signal de parole…………………………………………………………………06

Figure 1.3 : Structure de base d’un système RAP…………………………………………….07

Figure 1.4 : Schéma d’un système RAL………………………………………………………10

Figure 1.5 : Schéma fonctionnel d’un système de RAL………………………………………13

Figure1.6 : Principe de l’identification automatique du locuteur……………………………14

Figure 1.7: Principe de base de la vérification du locuteur…………………………………..16

Figure 1.8 : Configuration de notre système de vérification des locuteurs……………….... 17

Chapitre 2 :

Figure 2.1 : Les différent domaine de l’intelligence artificielle……………………………....19

Figure 2.2 : Processus de l’apprentissage machine……………………………………….…..20

Figure 2.3 : Processus de l’apprentissage supervisé………………………………………......21

Figure2.4 : Processus de l’apprentissage non-supervisé………………………………………23

Figure 2.5 : Interaction agent-environnement…………………………………………….…..25

Figure 2.6 : Le neurone biologique…………………………………………………….……...25

Figure2.7 : Réseau monocouche…………………………………………………………..….26

Figure 2.8 : Perceptron multicouche………………………………………………………….27

Figure 2.9 : Réseau de neurone artificiel………………………………………………….….27

Figure 2.10: Réseaux de neurones à propagation avant.…………………………… ….….. .29

Figure 2.11 : Réseau neuronal convolutif……………………………………………………. 29

Figure 2.12: Architecture des réseaux de neurones récurrents………………………………..30

Figure 2.13 : Réseau de neurones avec de nombreuses couches convolutives………………..31

Figure 2.14 : Couche de convolution……………………………………………………….…32

Figure 2.15: Pooling moyen & pooling maximal……………………………………………..32

Figure 2.16 : Couche fully-connected………………………………………………………....33

Figure 2.17 : La différence entre ML et DL……………………………………………….….38

Chapitre 3 :

Figure 3.1 : Les domaines d’applications de python…………………………………..……...40

Figure 3.2 : Le Logo de la plateforme Kaggle……………………………………..…………41

Figure 3.3: Le Logo de Matlab…………………………………..…………………………….42

Figure 3.4 : Importation des bibliothèques nécessaires……………………………...….........44

Figure 3.5 : Les paramètres de notre modèle……………………………………………........45

Figure 3.6 : Data directories…………………………………………………………………..46

Figure 3.7 : Architecture du modèle CNN……………………………………………………48

Figure 3.8 : Entraînement de modèle…………………………………………………..……..49

Figure 3.9 : Evaluation du modèle………………………………………………………..…..49

Figure 3.10 : La dernière évaluation de modèle……………………………………………….50

Figure 3.11: Prédiction du modèle……………………………………………………………51

Figure 3.12 : Graphe de l’entrainement et la validation de la précision……………………….52

Figure 3.13: Graphe de l’entrainement et la validation de la perte…………………………….53

Liste des Tableaux

Chapitre 2 :

Tableau 2.1 : Type de données vs type d’apprentissage…………………………………….24

Tableau 2.2 : La différence entre machine et deep learning…………………………………37

 CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR

Introduction générale

Introduction générale
La reconnaissance du locuteur est une discipline de la reconnaissance de forme qui vise à
identifier de manière automatique et précise l'identité d'une personne à partir de sa voix. Elle
trouve des applications dans de nombreux domaines tels que la sécurité, la biométrie, la
communication vocale et l'assistance virtuelle. Au fil des années, de nombreuses approches ont
été développées pour résoudre le problème de la reconnaissance du locuteur. Cependant,
l'émergence du deep learning a révolutionné ce domaine en permettant des avancées
significatives dans la précision et la performance des systèmes de reconnaissance du locuteur.

Le deep learning, ou apprentissage profond, est une branche de l'intelligence artificielle qui
repose sur des réseaux de neurones artificiels profonds. Ces réseaux sont capables d'apprendre
de manière autonome à partir de grandes quantités de données et de découvrir des
représentations hiérarchiques complexes. Dans le cas de la reconnaissance du locuteur, le deep
learning permet d'extraire des caractéristiques discriminantes à partir des signaux vocaux et de
construire des modèles capables d'identifier de manière fiable l'identité d'un locuteur.

L'objectif de ce mémoire est d'explorer les possibilités offertes par le deep Learning pour la
reconnaissance du locuteur. Nous chercherons à développer un système de reconnaissance du
locuteur basé sur des modèles de deep learning, en utilisant des techniques avancées telles que
les réseaux de neurones convolutionnels (CNN). Nous évaluerons également les performances
de notre système en termes de précision, de robustesse et d'évolutivité.

La présente étude se concentrera sur l'analyse des données vocales, le prétraitement des
signaux et l'apprentissage automatique supervisé pour la classification des locuteurs. Nous
utiliserons un ensemble de données de référence comprenant des enregistrements vocaux
provenant de locuteurs différents, et nous explorerons différentes architectures de réseaux
neuronaux pour extraire les caractéristiques pertinentes et effectuer la classification.

La structure de ce mémoire est la suivante : Le premier chapitre représente une vue générale
sur la reconnaissance du locuteur, commençons par aborder la production de la parole afin de
comprendre comment un individu peut être reconnu par sa voix les différentes taches de la
reconnaissance du locuteur et aussi comment fonctionne le système de reconnaissance de
locuteur.

1
 CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR

Le deuxième chapitre aborde les deux principaux domaines de l’intelligence artificielle qui
sont le machine learning et le deep learning, ceci en mettant l’accent sur les réseaux de neurones
Introduction générale

artificiels et plus précisément sur les réseaux de neurones convolutives, dans ce chapitre, nous
avons examiné leur architecture, leurs paramètres, ainsi que leurs avantages dans le domaine
de la reconnaissance de locuteur.

Le troisième chapitre est abordé pour l’implémentation et l’évaluation de notre système de

reconnaissance du locuteur basé sur les CNN.

2
 CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR

1.1 Introduction
Reconnaitre une personne par sa voix est de plus en plus un enjeu fort en matière
d'authentification des personnes à des fins de vérification et de sécurité. Dans ce chapitre, nous
allons présenter une vue générale sur la reconnaissance du locuteur. Commençons par aborder
la production de la parole afin de comprendre comment un individu peut être reconnu par sa
voix. Ensuite, nous passerons à l'état de l'art de la reconnaissance du locuteur, en examinant son
architecture, ses différentes applications et ses principales branches, aussi la reconnaissance de
la parole et la reconnaissance du langage.

1.2 La parole
La parole est le mode de communication le plus naturel dans toute société humaine. Elle est
définie comme un signal réel, continu, d'énergie finie et non stationnaire, généré par l'appareil
vocal humain. La parole offre aux êtres humains un moyen facile d'établir une communication
claire et compréhensible [1].

Dans le domaine du traitement du signal, la parole occupe une place prépondérante en raison
de ses caractéristiques acoustiques distinctives, qui trouvent leur origine dans les mécanismes
de production spécifiques.

1.2.1 Production de la parole

Les différences de voix entre les individus sont dues à la structure de leurs organes
articulatoires, tels que la longueur du tractus vocal, les caractéristiques des cordes vocales et les
variations dans leurs habitudes de parole.

Chez un adulte, le tractus vocal mesure généralement environ 17 cm et fait partie des organes
impliqués dans la production de la parole, situés au-dessus des plis vocaux (Anciennement
appelés cordes vocales). Comme illustré dans la Figure 1.1, ces organes comprennent le
pharynx laryngé (Situé sous l'épiglotte), le pharynx oral (derrière la langue, entre l'épiglotte et
le voile du palais), la cavité buccale (en avant du voile du palais et délimitée par les lèvres, la
langue et le palais), le pharynx nasal (Au-dessus du voile du palais, à l'extrémité arrière des
cavités nasales) et la cavité nasale (Au-dessus du palais, s'étendant du pharynx aux narines).

Le larynx est composé des plis vocaux, de la partie supérieure du cartilage cricoïde, des
cartilages aryténoïdes et du cartilage thyroïde. La région située entre les plis vocaux est appelée
la glotte [2].

3
 CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR

Figure 1.1. Organes de production de la parole humaine [3].

Le résonateur du tractus vocal modifie le spectre acoustique à mesure qu'il traverse le tractus
vocal. Les résonances du tractus vocal sont appelées formants. Par conséquent, la forme du
tractus vocal peut être estimée à partir de la forme spectrale (Par exemple, l'emplacement des
formants et l'inclinaison spectrale) du signal vocal. Les systèmes de reconnaissance des
locuteurs utilisent généralement des caractéristiques dérivées uniquement du tractus vocal.

La source d'excitation de la voix humaine contient également des informations spécifiques

à chaque locuteur. L'excitation est générée par le flux d'air provenant des poumons, qui passe
ensuite par la trachée puis par les plis vocaux. L'excitation est classée en phonation,
chuchotement, friction, compression, vibration ou une combinaison de ces éléments.
L'excitation de la phonation se produit lorsque le flux d'air est modulé par les plis vocaux.
Lorsque les plis vocaux se ferment, la pression s'accumule en dessous jusqu'à ce qu'ils se
séparent. Les plis sont ensuite ramenés ensemble par leur tension, leur élasticité et l'effet
Bernoulli. L'oscillation des plis vocaux provoque une excitation pulsée du tractus vocal. La
fréquence d'oscillation est appelée fréquence fondamentale et elle dépend de la longueur, de la
masse et de la tension des plis vocaux. La fréquence fondamentale est donc une autre
caractéristique distinctive pour un locuteur donné [2]

1.2.2 Mécanisme de production de la parole

La production de la parole est un processus qui débute par la formulation d'un message
linguistique et se transforme en une série d'actions motrices impliquant diverses parties du corps
humain. Ce processus aboutit à la création d'un signal vocal intelligible. On peut le diviser en
trois étapes distinctes selon les travaux de Brown et Haooort (2000) ainsi que Blank et al. (2002)
[4].

4
 CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR

a) La conceptualisation (Ou préparation conceptuelle)

Durant cette étape, l'intention de communiquer se traduit par la génération des concepts et
idées correspondant au message à transmettre.

b) La formulation
A ce stade, la forme linguistique nécessaire pour exprimer le message désiré est élaborée.
Cela implique le choix des mots appropriés, la construction grammaticale adéquate, ainsi que
le découpage des mots en syllabes et leur encodage phonétique.

c) L'articulation et l'exécution motrice de la parole

Cette étape consiste en l'exécution de la séquence d'actions articulatoires qui donne vie au
message. Le locuteur produit une série de signaux neuromusculaires qui permettent de contrôler
les cordes vocales, les lèvres, la mâchoire, la langue et le voile du palais, contribuant ainsi à la
production des sons et à la création de la séquence sonore souhaitée.

La production de la parole est un processus complexe et coordonné qui implique la

coordination précise de différentes parties du corps et de mécanismes de contrôle pour produire
les sons et les mots nécessaires à la communication humaine.

1.2.3 Paramètres du signal de parole

Le signal de parole est un signal continu, non stationnaire et d'énergie finie. Il présente une
grande variabilité de sons en fonction du locuteur et des conditions environnementales. Sa
structure est complexe et variable dans le temps. Il peut être représenté directement sous forme
de signal analogique.

L'analyse d'un tel signal est une tâche difficile en raison du grand nombre de paramètres
associés. Néanmoins, trois paramètres principaux se dégagent : la fréquence fondamentale, le
spectre fréquentiel et l'énergie. Ces paramètres sont appelés caractéristiques acoustiques et sont
énumérés ci-dessous [3].

a) Fréquence fondamentale
Cela correspond à la fréquence à laquelle les cordes vocales s'ouvrent et se ferment, on
l'appelle parfois la hauteur de la voix. Elle varie en fonction de la taille du larynx. Un enfant a
un larynx plus petit qu'une femme, qui a elle-même un larynx plus petit qu'un homme. C'est
pourquoi un enfant a une voix plus aiguë. Cette fréquence caractérise uniquement les sons
sonores et peut varier [5] :

5
 CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR

• de 80 Hz à 200 Hz pour une voix d’homme ;

• de 150 Hz à 450 Hz pour une voix de femme ;

• de 200 Hz à 600 Hz pour une voix d’enfant.

b) Spectre
Le spectre fréquentiel est une représentation d'un signal qui indique la répartition des
fréquences présentes dans ce signal. Il est constitué d'un ensemble de fréquences disposées de
manière arithmétique. Une caractéristique essentielle du spectre fréquentiel est le timbre, qui
permet d'identifier chaque locuteur par sa voix [3].

c) L’énergie
L'énergie sonore correspond à l'intensité du signal. Elle est généralement plus élevée pour
les segments de parole voisés que pour les segments non voisés. La Figure 2.5 présente un
exemple concret du signal de parole pour le mot "Tashghil", qui signifie "Allumer" [3].

Figure 1.2. Signal de parole.

1.3 La reconnaissance
En termes plus généraux, la reconnaissance fait référence à la capacité de reconnaître, de
comprendre ou de distinguer quelque chose. Cependant, la reconnaissance peut être utilisée
dans différents domaines et a des significations spécifiques.

6
 CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR

1.3.1 La reconnaissance de parole

La reconnaissance automatique de la parole est une technologie informatique qui permet à
un logiciel d'interpréter la parole humaine naturelle. Cela Permet à la machine d'extraire le
message verbal contenu dans le signal vocal et de l'analyser ce signal en une chaîne de mots ou
phonèmes représentant ce que la personne a prononcé. Cette technologie utilise des méthodes
informatiques dans le domaine du traitement du signal et de l'intelligence artificielle [6].

Les systèmes de reconnaissance de parole se sont considérablement améliorés ces dernières

années grâce aux progrès de l'apprentissage automatique, en particulier du deep learning, qui
permettent une meilleure compréhension et interprétation de la parole humaine, même dans des
environnements bruyants ou avec des accents différents. Cependant, ils ne sont pas encore
parfaitement précis et peuvent avoir des difficultés avec certains mots ou accents particuliers,
ce qui nécessite encore une relecture ou une correction manuelle dans certains cas.

Le schéma suivant résume les étapes de base d’un système RAP :

Signal
Extraction de Reconnaissance Text
de la
caractéristiques e
parole

Système de reconnaissance de la parole

Figure 1.3. Structure de base d’un système RAP.

Les applications de la RAP sont nombreuses et peuvent varier selon leur type, les évolutions
des techniques de RAL ont permis aux systèmes d’évoluer et d’être de plus en plus efficaces.
De plus, la majorité des systèmes RAL sont des systèmes dépendants ou indépendants de texte.
Les systèmes dépendant de texte nécessitent une phase d’apprentissage où de nombreuses
heures de parole sont généralement indispensables [8].

Cette partie décrit brièvement les quatre principaux types de systèmes de reconnaissance
vocale.

7
 CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR

a) Commandes vocales
Les systèmes de reconnaissance de parole sont utilisés dans les assistants vocaux, tels que
Siri, Alexa et Google Assistant, pour permettre aux utilisateurs de contrôler des appareils
électroniques et de rechercher des informations à l'aide de commandes vocales.

b) Applications de sécurité
La reconnaissance de parole peut être utilisée dans les systèmes de sécurité pour identifier les
voix autorisées et permettre l'accès à des zones sécurisées

c) Systèmes de dictée automatique

La dictée de texte est l'une des applications les plus courantes de la reconnaissance de parole.
Elle permet aux utilisateurs de dicter du texte et de le transcrire automatiquement en texte écrit.

d) Systèmes de compréhension
Essentiellement, ils permettent de dialoguer avec une machine. Par conséquent, l'utilisateur
prononce une série de mots-clés que le système est peu de reconnaître. Contrairement aux
systèmes à commande vocale, ce genre de système utilise aussi un dispositif de compréhension
de mots pour interpréter et réagir en conséquence [9].

1.3.2 La reconnaissance automatique de locuteur

La reconnaissance automatique du locuteur est interprétée comme une tâche particulière de
reconnaissance de formes. Elle consiste à identifier la personne qui parle en se basant sur sa
voix. La variabilité de la parole entre locuteurs est essentielle pour la RAL, car cela permet de
distinguer une voix parmi plusieurs. Contrairement à la reconnaissance automatique de la
parole, la RAL s'intéresse aux informations non linguistiques contenues dans le signal vocal.
Cependant, la RAL bénéficie souvent des avancées de la reconnaissance automatique de la
parole, avec de nombreuses techniques appliquées en RAP avant d'être adaptées à la RAL.

Elle peut être réalisée à l'aide de différents algorithmes, tels que les réseaux de neurones, les
machines à vecteurs de support et les modèles de Markov cachés. Les performances de ces
algorithmes dépendent de nombreux facteurs, tels que la qualité de l'enregistrement audio, le
bruit de fond et la variabilité interpersonnelle. Malgré ces défis, la reconnaissance automatique
du locuteur continue de progresser et de trouver de nouvelles applications dans le monde de la
technologie.

8
 CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR

Figure 1.4. Schéma d’un système RAL [11].

Le système de reconnaissance de locuteur peut fonctionner soit en mode dépendant du texte

(TD) soit en mode indépendant du texte (TI). En mode TD, l'utilisateur parle une transcription
de texte prédéfinie ou sollicitée. En mode TI, l'utilisateur est autorisé à parler librement. Étant
donné que le mode TD fournit des informations supplémentaires au système de reconnaissance
de locuteur, il fonctionne généralement mieux que le mode TI. Différentes études ont été menées
afin de réduire l'écart de performance entre les deux modes de fonctionnement [12].

a) Dépendante du texte

En mode TD, un système de reconnaissance de locuteur peut être trompé par l'enregistrement
et la lecture de la voix prédéfinie d'un locuteur inscrit. Pour défendre un système de
reconnaissance de locuteur contre de telles attaques malveillantes, le système peut demander à
l'utilisateur de prononcer un texte aléatoire. Dans la plupart des cas, un système de
reconnaissance de locuteur en mode TD fonctionne mieux qu'un système en mode TI car des
informations supplémentaires (transcription de texte) sont fournies. Cependant, un système de
reconnaissance de locuteur en mode TD ne peut pas être utilisé lorsque la transcription
sousjacente réelle n'est pas fournie, comme dans la situation où quelqu'un parle librement au
téléphone [12].

b) Indépendante du texte
Un système de reconnaissance de locuteur en mode TI ne nécessite pas de transcription
sousjacente réelle d'une parole en entrée. Cela peut être utile pour un système de reconnaissance
de locuteur en forensique, tel que l'identification d'un locuteur dans une conversation interceptée
par fil ou dans une interface homme-robot [12].

9
 CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR

1.3.3 Domaine d’application de la RAL

La reconnaissance automatique du locuteur est utilisée dans de nombreuses applications, Voici
certains domaines d'application de cette technologie [11] :

a) Applications sur site

La personne doit faire l'objet d'une présentation physique à un endroit précis.

• Verrouillages vocaux (pour locaux, compte informatique, etc.)

• Interactivité matérielle (retrait d’argent à un guichet automatique, …)

b) Applications liées aux télécommunications

La vérification s’opère à distance :

• Accès à des services pour des abonnés, ou des données confidentielles.

• Transaction à distance.

c) Applications commerciales
• Associer un même mot de passe pour une petite population de locuteur (membre
d’une famille, d’une société).

• Protection de matériel contre le vol.

d) Applications judiciaires
• Recherche de suspects et de preuves.

• Les juges, avocats, enquêteurs de police ou de gendarmerie souhaitent utiliser des

procédés de reconnaissance vocale pour enquêter ou confirmer le coupable ou l'innocent.

1.3.4 Evaluation d’un système de RAL

La reconnaissance automatique de la parole est un domaine en constante évolution, avec des
chercheurs se concentrant sur les limites pratiques de la reconnaissance automatique du locuteur
ainsi que sur la manière de présenter, diffuser et interpréter les résultats des systèmes. Pour
assurer des performances acceptables dans les applications de reconnaissance du locuteur,
plusieurs caractéristiques sont généralement nécessaires [11] :

-Un environnement calme et l'utilisation d'un microphone de bonne qualité ;

-La connaissance et le contrôle des conditions d'enregistrement et de traitement du signal

audio ;

10
 CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR

-La disponibilité de données de parole enregistrées dans les mêmes conditions que le
signal de test, permettant de référencer les locuteurs dans le système ;

-L'interdiction pour les locuteurs d'utiliser des techniques sophistiquées pour modifier ou
déguiser leur voix ;

-L'étalonnage de la mesure de ressemblance en effectuant des expériences dans des

conditions contrôlées, telles que mentionnées précédemment ;

-La coopération des locuteurs qui souhaitent être acceptés par le système et qui collaborent
avec celui-ci ;

-L'interdiction d'utiliser un système de synthèse de la parole.

1.3.5 Structure de base de RAL

Les systèmes de reconnaissance des locuteurs se composent généralement de trois unités
principales comme le montre la figure1.4, L'entrée du premier étage ou du système de traitement
frontal est le signal de parole. Ici, le discours est numérisé et ensuite l'extraction des
caractéristiques a lieu. Il n'y a pas des caractéristiques exclusives qui transmettent l'identité des
locuteurs dans le signal vocal, mais il est connu de la théorie du filtre source de la production
de la parole que la forme du spectre de la parole code les informations sur la forme du conduit
vocal des locuteurs via des formants et la source glottale via des harmoniques de hauteur [2].

Par conséquent, une forme ou l'autre des caractéristiques spectrales est utilisée dans la plupart
des systèmes de reconnaissance des locuteurs. Le processus final de l'étape de traitement frontal
est une forme de compensation de canal. Différents dispositifs d'entrée (par exemple différents
combinés téléphoniques) imposent différentes caractéristiques spectrales au signal de parole,
telles que la limitation de bande et la mise en forme. Par conséquent, une compensation de canal
est effectuée pour éliminer ces effets indésirables. Le plus souvent, une certaine forme de
compensation de canal linéaire, telle que la soustraction moyenne cepstrale à long et à court
terme, est appliquée aux entités.

11
 CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR

Modèles de
Entraînement référence pour
chaque
intervenant

parole Extraction de
caractéristiques

Similarité
Résultat
(Distance)
Reconnaissance

Figure 1.5. Schéma fonctionnel d’un système de RAL [2].

Le processus de reconnaissance du locuteur comprend la phase de formation et la phase de

reconnaissance. Dans la phase d'apprentissage, les caractéristiques d'un signal de parole de haut-
parleur sont stockées en tant que caractéristiques de référence. Les vecteurs caractéristiques de
la parole sont utilisés pour créer un modèle de locuteurs. Le nombre de modèles de référence
requis pour une reconnaissance efficace du locuteur dépend du type de fonctionnalités ou de
techniques utilisées par le système pour reconnaître le locuteur. Dans la phase de
reconnaissance, des caractéristiques similaires à celles utilisées dans le modèle de référence
sont extraites d'un énoncé d'entrée du locuteur dont l'identité doit être déterminée. La décision
de reconnaissance dépend de la distance calculée entre le modèle de référence et le modèle
conçu à partir de l'énoncé d'entrée. Dans l'identification du locuteur, la distance entre un énoncé
d'entrée et tous les modèles de référence disponibles est calculée. Le modèle de l'utilisateur
enregistré, dont la distance avec le modèle d'énoncé d'entrée est la plus petite, est finalement
sélectionné comme locuteur de l'énoncé d'entrée.

En cas de vérification du locuteur, la distance est calculée uniquement entre l'énoncé d'entrée
et le modèle de référence du locuteur revendiqué. Si la distance est inférieure au seuil
prédéterminé, le locuteur est accepté autre le locuteur est rejeté en tant qu'imposteur [2].

1.3.6 Les différentes branches de la RAL

L'identification automatique du locuteur et la vérification automatique du locuteur sont les
deux tâches les plus répandues dans le domaine de RAL [13].

12
 CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR

a) Identification du locuteur
L'identification du locuteur sert à trouver l’identité d’un locuteur spécifique à l’aide de sa
voix parmi un ensemble limité de locuteurs possibles. Cette tâche peut également être de deux
types in-set et off-set. Dans le cas de in-set, le système automatisé suppose que le locuteur test
doit être parmi les locuteurs connus, tandis que dans le cas off-set, le système peut déterminer
que le locuteur test ne fait pas partie des locuteurs identifiés [5].

Figure1.6. Principe de l’identification automatique du locuteur.

• Le fonctionnement de système d’identification du locuteur :

L’identification automatique du locuteur est divisée en deux étapes : une étape
d'apprentissage et une étape de test. A partir d'un ensemble d'enregistrements pour chaque
locuteur, le système apprend un modèle pour chaque locuteur dans une étape d'apprentissage.
Différentes techniques d'apprentissage automatique, telles que les réseaux de neurones peuvent
être utilisées pour construire le modèle de locuteur. Une fois qu'un modèle de locuteur est
développé, il peut être utilisé pour prédire l'identité de locuteurs inconnus. Pendant la phase de
test, le système compare les échantillons de parole reçus avec différents modèles qu'il a appris
pour déterminer si l'identité du locuteur est connue [5].

• Les applications de l’identification du locuteur :

Il existe plusieurs applications de l'identification de locuteur, notamment la sécurité, les
services bancaires, les centres d'appels, l'assistance vocale et la surveillance. Par exemple, les
applications de sécurité utilisent souvent l'identification de locuteur pour authentifier les

13
 CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR

utilisateurs et permettre l'accès à des zones sécurisées, tandis que les banques peuvent l'utiliser
pour vérifier l'identité des clients lorsqu'ils appellent le service client. Les centres d'appels
peuvent également utiliser l'identification de locuteur pour acheminer les appels vers le bon
agent en fonction de l'identité du client. Enfin, les applications de surveillance peuvent utiliser
l'identification de locuteur pour identifier les personnes qui parlent dans une pièce ou une
conversation téléphonique [4].

b) Vérification de locuteur
La vérification du locuteur est une tâche de la reconnaissance du locuteur qui vise à
déterminer si une personne est bien celle qu'elle prétend être en fonction de son échantillon
vocal. Contrairement à l'identification du locuteur. La vérification du locuteur se concentre sur
la comparaison entre l'échantillon vocal de la personne et les caractéristiques vocales
préalablement enregistrées pour cette personne dans une base de données.\

Le système de vérification du locuteur enregistre un échantillon vocal de la personne, extrait

les caractéristiques vocales pertinentes, crée un modèle vocal spécifique à cette personne, puis
compare les caractéristiques vocales d'un nouvel échantillon vocal pour prendre une décision
de vérification.

Figure 1.7. Principe de base de la vérification du locuteur.

• Le fonctionnement de système de vérification du locuteur :

Le système, comme le montre la (Figure 1.11), comprend principalement deux parties, à
savoir la partie formation et la partie test du locuteur. Chaque partie consiste en un prétraitement
numérique de la parole, une extraction de caractéristiques et une réduction de caractéristiques
(Facultatif, dépend de la performance).

14
 CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR

Dans la partie d’entraînement, nous partons du module d'inscription des utilisateurs.

Lorsqu'un nouvel utilisateur est ajouté au système, le module est utilisé pour "apprendre" au
système la voix du nouvel utilisateur. L'entrée de ce module est constituée des mots
d'identification que le nouvel utilisateur prononce dans un microphone. Ces mots prononcés
sont utilisés pour les « données d'entraînement ». Après avoir échantillonné le signal vocal
analogique et l'avoir converti en signal numérique, nous effectuons le prétraitement numérique
de la parole, l'extraction et la réduction des caractéristiques. Les caractéristiques ainsi obtenues
sont ensuite compressées par un bloc de compression de caractéristiques (regroupement) pour
former un livre de codes. Le nouveau livre de codes est stocké dans la base de données pour
une utilisation future. Le nouveau livre de codes se voit attribuer un index pour indiquer le
nouvel utilisateur avec les données de formation et le nouveau livre de codes, nous pouvons
évaluer les performances du système dans le module de génération de seuil. Ce module permet
de définir un niveau de sensibilité du système vis-à-vis de chaque utilisateur. Cette valeur de
sensibilité est appelée seuil et doit être générée chaque fois qu'un nouvel utilisateur est inscrit.

La valeur de seuil peut être réinitialisée, par exemple, lorsqu'un utilisateur a reçu de
nombreux faux rejets et doit ajuster le niveau de sensibilité. Dans la partie test du locuteur, le
module de vérification du locuteur est utilisé pour identifier un utilisateur. Tout d'abord, un
utilisateur informe le système qu'il ou elle est un utilisateur. Le système indiquera alors à
l'utilisateur de prononcer les mots de vérification. Cette prononciation des mots est appelée le
discours de test. Le module procédera aux mêmes prétraitements numériques de la parole,
extraction et réduction de caractéristiques (facultatifs, utilisés si la partie apprentissage l'utilise)
que ceux utilisés dans la partie apprentissage. Les caractéristiques extraites de la parole de test
sont ensuite comparées aux livres de codes de la base de données. Sur la base de certaines
métriques de similarité, le système décidera si l'utilisateur a réussi ou échoué le test de
vérification vocale [14].

15
 CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR

Figure 1.8. Configuration de système de vérification des locuteurs [14].

• Les applications de la vérification du locuteur

Les applications du VAL sont diverses et principalement commerciales :

• Verrouillage vocal pour le contrôle d'accès aux installations.

• Authentification pour l'accès à distance.
• Protection contre le vol d'appareils (Téléphone portable, voiture etc…).

1.3.7 L’évolution de la reconnaissance du locuteur

La reconnaissance du locuteur a considérablement évolué au fil du temps en raison des

progrès de la technologie et des progrès de la recherche. Initialement, ces systèmes étaient
principalement basés sur les propriétés acoustiques, mais ils étaient sensibles aux changements
des conditions environnementales et de la parole. Par la suite, l'intégration des caractéristiques
linguistiques permet de mieux distinguer les locuteurs.

L'avènement de l'apprentissage automatique a révolutionné le domaine en utilisant des

méthodes telles que les modèles de mélange gaussien (GMM), les réseaux de neurones et
l'apprentissage en profondeur. Cela rend la reconnaissance du locuteur plus précise. Des
caractéristiques comportementales telles que le débit de parole sont également intégrées pour

16
 CHAPITRE 1 LA RECONNAISSANCE DE LOCUTEUR

améliorer l'identification du locuteur. L'adoption de l'apprentissage par transfert surmonte les

limites associées au manque de données sur la formation. Enfin, les développements récents ont
vu l'intégration des caractéristiques visuelles dans la reconnaissance du locuteur grâce à
l'analyse des mouvements des lèvres et des traits du visage. Le développement continu de la
reconnaissance du locuteur promet d'améliorer les performances et de s'adapter à divers
scénarios d'utilisation [15].

1.4 Conclusion
La technologie de reconnaissance automatique du locuteur (RAL) a progressé de manière
significative, atteignant un niveau de maturité qui lui permet d'être considérée comme une
solution fiable pour des applications réelles. L'authentification basée sur la voix est de plus en
plus répandue dans les systèmes de sécurité modernes.

Dans ce chapitre, nous avons examiné dans la première partie la production de la parole et
ses paramètres, puis nous avons passé à étudier l’état de l’art de système de reconnaissance
automatique du locuteur, présentons son structure de base ainsi que ses deux tâches principales,
avec ses applications, ses fonctionnements et enfin l’évolution de la RAL.

17
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

2.1 Introduction
La croissance du Deep Learning améliore notre capacité à comprendre et à analyser des
données complexes, ouvrant ainsi de nouvelles perspectives dans divers domaines tels que la
médecine, la fabrication, le commerce, le marketing et d'autres domaines. Avec sa capacité à
extraire des connaissances et à atteindre une grande précision dans les tâches de calcul, le Deep
Learning est devenu un outil essentiel pour améliorer les systèmes intelligents et stimuler le
progrès technologique. Au cours de ce chapitre, nous allons examiner plusieurs aspects clés liés
à l'utilisation des réseaux de neurones convolutifs (CNN) dans le domaine de la reconnaissance
du locuteur.

2.2 l’intelligence artificielle

L'intelligence artificielle (I.A) est un domaine scientifique qui se concentre sur la création
des programmes qualifiés d'intelligents. Par programmes intelligents, on entend généralement
des programmes capables de résoudre des problèmes qui ont traditionnellement été considérés
comme relevant des capacités humaines [16].

Il convient de mentionner que l'intelligence artificielle englobe le domaine de l'apprentissage

automatique, également connu sous le nom de "machine learning" qui à son tour, inclut
l'apprentissage profond, également appelé "deep learning". Ces trois concepts sont intimement
liés et interdépendants [17].

Figure 2.1. Les différents domaines de l’intelligence artificielle [17]

18
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

2.3 Apprentissage automatique

L'apprentissage automatique, également connu sous le nom de machine learning, est un
domaine de l'intelligence artificielle qui cherche à doter les machines de la capacité d'apprendre
à partir de données en utilisant des modèles mathématiques. En substance, il s'agit du procédé
par lequel des informations significatives sont extraites à partir d'un ensemble de données
d'entraînement.

L'objectif de cette phase est d'obtenir les paramètres d'un modèle qui atteindront les
meilleures performances, notamment lors de l'exécution de la tâche assignée au modèle. Une
fois l'apprentissage réalisé, le modèle peut ensuite être déployé en production.
Nouvelles
données

Ensemblede données Algorithme

Modèle
d’apprentissage d’apprentissage

Résultat prédit

Figure 2.2. Processus de l’apprentissage machine [3].

L'apprentissage automatique se subdivise en différents types, chacun étant défini par la nature
des tâches à accomplir. Dans les prochaines sections, nous examinerons les principaux types
d’apprentissage. [16].

2.4 Apprentissage profond

L'apprentissage profond est une branche de l'apprentissage automatique utilisée pour
entraîner des systèmes informatiques appelés réseaux neuronaux artificiels (RNA). Ces
techniques reposent sur des algorithmes capables de reproduire les comportements du cerveau
humain. Les RNA peuvent résoudre des problèmes complexes tels que la reconnaissance
d'images, la reconnaissance vocale et le traitement du langage naturel. Les algorithmes
d'apprentissage profond mettent en œuvre plusieurs couches de neurones ou de nœuds artificiels

19
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

avec diverses connexions entre eux. Les couches de nœuds sont liées par différents types de
connexions.

Ces connexions sont entrainées à reconnaître et comprendre les caractéristiques d'un

ensemble de données donné. Cette structure permet aux algorithmes d'apprendre de leurs
expériences et d'améliorer leur manière d'accomplir leurs tâches [3].

2.5 Types d’apprentissage

2.5.1 Apprentissage supervisé

L'apprentissage supervisé est un processus d'apprentissage à partir d'un ensemble d'exemples

d'apprentissage étiquetés fournis par un superviseur externe compétent. Cela signifie qu'une
expertise humaine est nécessaire pour étiqueter les données. Chaque exemple consiste en une
description d'une situation accompagnée d'une étiquette (une classe pouvant être représentée par
des valeurs numériques ou nominales) indiquant l'action correcte que le système doit prendre
dans cette situation. L'objectif de ce type d'apprentissage est que le système puisse généraliser
ses réponses et agir correctement dans des situations non présentes dans l'ensemble
d'apprentissage. Ainsi, l'utilisateur fournit à l'algorithme des paires d'entrées/sorties souhaitées
(X, y), comme illustré dans la Figure 2.3, et l'algorithme trouve un moyen de produire la sortie
souhaitée à partir des entrées. Plus précisément, l'algorithme est capable de générer une sortie
pour une entrée qu'il n'a jamais rencontrée auparavant [3].

Modèle
final
Jeu de données

ƒ(X
Modèle ) Evaluation
(X,y)
ƒ

Paramètres Amélioration
initiax Nouveaux
paramètres

Figure 2.3. Processus de l’apprentissage supervisé [3].

20
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

On distingue deux grands types de problèmes d'apprentissage supervisé : la régression et la

classification.

a) La classification

Généralement, pour les problèmes de classification l'ensemble de données utilisé avec un

nombre fini de classes, chaque exemple est associé à l'une d'entre elles. La cible pour chaque
exemple a une valeur discrète représentant une classe particulière. Avec ces données, le modèle
d'apprentissage automatique apprendra à attribuer des catégories aux entrées. Par exemple, dans
le contexte de la classification de documents, imaginez un ensemble de données composé de
trois catégories. Chaque classe correspond à une matière :"Economie", "Politique" et "Autre".
Le modèle doit apprendre à déterminer si un document concerne l'économie, la politique ou
d'autres sujets, puis doit associer le document à une valeur qui représente la catégorie correcte
[16].

b) Régression
Dans le contexte d'un problème de régression, la variable cible est constituée d'un ou de
plusieurs éléments ayant des valeurs continues. Un modèle d'apprentissage automatique est
entraîné à prédire une ou plusieurs valeurs réelles. La météorologie offre un bon exemple de
problème de régression, par exemple la prédiction de la température. En effet, la valeur à prédire
dans ce cas est une quantité continue. On peut également inclure d'autres éléments dans la
variable cible tels que la pression atmosphérique et le taux d'humidité, ce qui crée un vecteur de
valeurs continues [16].

2.5.2 Apprentissage non-supervisé

Lorsque le système ou l'opérateur dispose uniquement d'exemples sans étiquettes, et que le

nombre et la nature des classes n'ont pas été prédéterminés, on parle d'apprentissage non
supervisé (ou regroupement). Aucune expertise n'est disponible ni requise. L'algorithme doit
découvrir par lui-même la structure, plus ou moins cachée des données. Dans cet apprentissage,
le système doit cibler les données dans l'espace de description en fonction de leurs attributs
disponibles, afin de les regrouper en ensembles homogènes d'exemples. La similarité est
généralement calculée à l'aide d'une fonction de distance entre les paires d'exemples. Ensuite, il
revient à l'opérateur d'associer ou de déduire une signification pour chaque groupe [18].

21
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

Figure2.4. Processus de l’apprentissage non-supervisé [3].

Il distingue plusieurs problèmes parmi ceux-ci : le regroupement et la réduction de

dimensionnalité.

a) Regroupement
La mise en grappes est l’une des techniques algorithmiques les plus importantes et les plus
populaires pour l’apprentissage non supervisé. Cet algorithme trouve le modèle et catégorise la
collecte des données. Dans cette méthode, nous pouvons traiter les données et identifier les
groupes à partir de ces données. Dans ce type d’apprentissage non supervisé, nous pouvons
également définir le nombre de groupes que nous souhaitons trouver. Le regroupement se divise
ensuite en différents groupes : Exclusif, Agglomérat, Chevauchement et Probabiliste.

b) Réduction de dimensionnalité
Ces méthodes traitent des problèmes de classification et d’apprentissage automatique en
fonction de nombreux facteurs. Ces facteurs, appelés caractéristiques, sont des variables des
données. Plus vous alimentez l’algorithme de fonctionnalités, plus il est difficile de comprendre
l’ensemble d’apprentissage. Ces fonctionnalités sont parfois redondantes et liées. À ce stade,
l’aide de l’algorithme de réduction de la dimensionnalité est nécessaire. Cet algorithme non
supervisé réduira les variables aléatoires et obtiendra une justification de ces variables.
L’algorithme le divise en différentes extractions de caractéristiques et de sélections.

En conclusion pour les tâches d’apprentissage supervisé et non supervisé, il est nécessaire
d’avoir une représentation des données d’entrée compréhensible par un ordinateur. Ces données
sont souvent considérées comme un tableau, où chaque ligne représente un exemple de données
(instance) et chaque colonne représente une propriété ou une caractéristique qui décrit cet
exemple de données.

22
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

Il est important de distinguer les sorties discrètes des sorties continues dans les algorithmes
d’apprentissage machine. Les sorties discrètes ont tendance à provenir d’un ensemble distinct
et fini de valeurs, tandis que les sorties continues sont généralement des valeurs appartenant à
un ensemble continu, avec un nombre potentiellement infini de valeurs [3].

La Table suivante résume les cas d’utilisation de ce type de données dans les contextes
d’apprentissage supervisé et non supervisé.

Tableau 2.1. Type de données vs type d’apprentissage [3].

Type de donnée Apprentissage supervisé Apprentissage non-supervisé

Discrète Classification Regroupement

Continue Régression Réduction de

dimensionnalité

2.5.3 Apprentissage par renforcement

Le domaine de l'apprentissage par renforcement vise à enseigner à un agent comment se

comporter de manière appropriée dans un environnement spécifique, c'est-à-dire atteindre un
objectif préalablement choisi par l'utilisateur. Le problème à résoudre est divisé en une
séquence d'étapes. À chaque étape, l'agent doit choisir parmi un ensemble d'actions, ce qui lui
donne la possibilité d'interagir avec son environnement. Contrairement à l'apprentissage
supervisé, il n'y a pas de cible permettant d'apprendre un comportement. À la place, l'agent
reçoit un signal (déterminé par l'utilisateur) qui lui indique s'il a agi correctement. À chaque
étape de la séquence, l'agent reçoit des informations sur son environnement qui l'aideront à
choisir l'action appropriée. Pendant l'apprentissage, l'agent cherchera à maximiser le nombre de
signaux positifs afin d'améliorer son comportement [16].

23
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

Agent

état
et
récompense
rt
rt 1 action
et 1 at
Environnement

Figure 2.5. Interaction agent-environnement [3].

Ce type d'apprentissage est particulièrement adapté à de nombreuses applications robotiques.

Il se distingue de l'apprentissage supervisé et non-supervisé par l'utilisation d'un signal de
récompense qui indique simplement si l'action prise par l'agent est bonne ou mauvaise, sans
fournir de détails sur la meilleure action à prendre. De plus, il n'utilise ni les données
d'apprentissage ni les étiquettes [3].

2.6 Neurone biologique

Le cerveau humain est composé d'environ 1011 neurones, soit mille milliards, avec un
nombre de connexions (synapses) allant de 1000 à 10000 par neurone. Le neurone est une cellule
qui possède un corps cellulaire, qui agit comme un centre de contrôle et effectue la sommation
des informations qui lui parviennent (voir Figure 2.6). Les dendrites, qui se ramifient à partir du
corps cellulaire, permettent le transport des informations de l'extérieur vers le corps du neurone.
Le neurone traite ensuite ces informations et les transmet le long de l'axone à d'autres neurones.
La connexion entre deux neurones est appelée synapse [3].

Figure 2.6. Le neurone biologique.

24
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

Les réseaux de neurones biologiques sont capables d'accomplir facilement certaines

fonctions telles que la mémorisation, l'apprentissage par l'exemple, la généralisation, la
reconnaissance des formes et le traitement du signal. À partir du principe que le comportement
intelligent provient de la structure et du fonctionnement des neurones biologiques, des
recherches ont conduit au développement des neurones formels, également appelés neurones
artificiels [3].

2.7 Le perceptron
Le perceptron est le tout premier réseau de neurones artificiels évolutif, capable
d'apprentissage. Son objectif initial était de reconnaître des lettres de l'alphabet à l'aide de
cellules photoélectriques en tant que capteurs.

En réalité, le perceptron est une fonction mathématique. Les données d'entrée (x) sont
multipliées par des coefficients de poids (w), et le produit obtenu est une valeur numérique.
Cette valeur peut être positive ou négative. Le neurone artificiel s'active si la valeur est positive,
c'est-à-dire que le poids calculé des données d'entrée dépasse un certain seuil [18].

Figure2.7. Réseau monocouche.

2.8 Perceptron multicouche

Le perceptron multicouche ou encore multilayers perceptron en anglais est le premier réseau
de neurones à avoir trouvé de nombreuses applications pratiques telles que la reconnaissance de
fleurs, la détection de fraudes, etc. Il est composé de plusieurs couches de neurones, y compris
une couche d'entrée, une ou plusieurs couches cachées et une couche de sortie. Chaque neurone

25
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

dans une couche est connecté à tous les neurones de la couche précédente et de la couche
suivante. Chaque connexion entre les neurones est associée à un poids qui détermine l'influence
de l'activation d'un neurone sur l'activation des neurones de la couche suivante [19]

Figure 2.8. Perceptron multicouche.

2.9 Réseaux de neurones artificiels (RNA)

Un réseau de neurones artificiels est un système informatique inspiré du fonctionnement du
cerveau humain, utilisé dans les ordinateurs dotés de capacités d'intelligence artificielle. Les
réseaux de neurones artificiels sont conçus en se basant sur la structure des neurones biologiques
du cerveau humain. Ils sont composés d'au moins deux couches de neurones - une couche
d'entrée et une couche de sortie - et comprennent généralement des couches intermédiaires
appelées "couches cachées ou hidden layer". La complexité du problème à résoudre détermine
le nombre de couches nécessaires dans le réseau de neurones artificiels.
Chaque couche est composée d'un grand nombre de neurones artificiels spécialisés.

Figure 2.9. Réseau de neurone artificiel.

26
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

Les réseaux de neurones trouvent des applications dans divers domaines. Ils sont utilisés pour
résoudre des problèmes de classification, de régression et même pour estimer la densité de
probabilité. Ils sont employés à la fois dans l'apprentissage supervisé et non supervisé, ainsi que
dans les modèles discriminatifs et génératifs. En résumé, ils constituent une famille de modèles
extrêmement flexibles et puissants qui méritent d'être explorés davantage [20].

2.9.1 Le fonctionnement des réseaux de neurones artificiels

Le réseau de neurones artificiels repose sur l'utilisation de plusieurs processeurs qui
fonctionnent en parallèle. Ces processeurs sont organisés en couches. La première couche est
responsable de la réception des entrées de données brutes. Chaque couche subséquente reçoit
ensuite les sorties d'informations provenant de la couche précédente. La dernière couche génère
les résultats du système. Pour traiter des problèmes plus complexes, il est souvent nécessaire
d'avoir plusieurs couches. Chaque neurone possède une valeur spécifique qui détermine quelle
information peut être transmise dans le système. La fonction d'activation est utilisée pour
calculer la valeur de sortie de chaque neurone. Ce calcul détermine combien de neurones doivent
être activés pour résoudre le problème. Un algorithme est ensuite créé associant un résultat à
chaque entrée. L'algorithme permet à l'ordinateur d'apprendre à partir de nouvelles informations
qu'il reçoit.

Le réseau de neurones permet à l'ordinateur d'analyser des exemples et d'acquérir des

capacités pour effectuer des tâches spécifiques. Ces exemples sont généralement étiquetés. Ce
processus a permis aux ordinateurs de reconnaître des objets dans des images, parfois de
manière plus performante que le cerveau humain lui-même.

Tout comme le cerveau humain, les réseaux de neurones artificiels ne peuvent pas être
directement programmés, mais doivent apprendre en étudiant et en analysant des exemples [21].

2.9.2 Les types de réseaux de neurones artificiels

Les types de réseaux de neurones sont généralement classifiés en fonction du nombre de
couches nécessaires entre l'entrée des données et la sortie finale. De plus, le type de réseau est
déterminé en fonction du nombre de nœuds cachés présents dans chaque modèle. On tient
également compte du nombre d'entrées et de sorties de chaque nœud [21].

27
 CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

a) Réseaux de neurones à propagation avant

Le réseau de neurones de base est connu sous le nom de Feedforward. Les données de ce
type de réseau se propagent directement depuis les entrées jusqu'aux nœuds de traitement.
Ensuite, ils vont directement aux sorties [21].

Figure 2.10. Réseaux de neurones à propagation avant.

b) Réseaux de neurones convolutives

Les réseaux de neurones convolutifs également connus sous le nom de CNN, sont utilisés pour
détecter des motifs simples à l'intérieur d'une image afin d'identifier son contenu en effectuant des
recoupements. Leur usage est de plus en plus répandu dans une variété de domaines, comme la
reconnaissance faciale et la numérisation de texte. Les CNN comprennent au moins cinq couches
et le résultat s'étend d'une couche à l'autre [21].

Figure 2.11. Réseau neuronal convolutif.

c) Réseaux de neurones récurrents

Les réseaux neuronaux récurrents (RNN) sont une variante très importante de réseaux
neuronaux, largement utilisés dans le traitement du langage naturel. Ce qui distingue les RNN,

28
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

c'est leur capacité à effectuer la même tâche pour chaque élément d'une séquence, où la sortie
dépend des calculs précédents. On peut également dire que les RNN possèdent une "mémoire"
qui capture des informations sur ce qui a été calculé jusqu'à présent. En théorie, les RNN peuvent
utiliser des informations provenant de séquences de longueur arbitraire, mais en pratique ils se
limitent souvent à examiner uniquement les étapes récentes. Les RNN sont une classe de réseaux
neuronaux qui permettent aux prédictions antérieures d'être utilisées comme entrées grâce à
l'utilisation d'états cachés. La structure typique d'un RNN est représentée dans la Figure 2.12
[22].

Figure 2.12. Architecture des réseaux de neurones récurrents.

2.10 Réseaux de neurones convolutionnels

2.10.1 Définition
Un réseau de neurones à convolution (CNN) est un type spécialisé de réseau neuronal qui
utilise l'opération mathématique de convolution. Les CNN sont considérés comme l'un des
meilleurs algorithmes d'apprentissage pour effectuer la convolution, ce qui permet d'extraire des
fonctionnalités utiles à partir de données corrélées localement. Contrairement à la multiplication
matricielle générale utilisée dans d'autres types de réseaux neuronaux, la convolution est
employée dans au moins une couche des CNN.

Dans un CNN, les données sont traitées à travers des couches convolutives, des unités de
traitement non linéaires (fonctions d'activation) et des couches de sous-échantillonnage. Les
noyaux convolutifs effectuent la convolution pour extraire des caractéristiques des données
d'entrée, qui sont ensuite envoyées aux unités de traitement non linéaires. Ces unités non

29
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

linéaires aident à apprendre des abstractions et introduisent de la non-linéarité dans l'espace des
fonctionnalités. Cette non-linéarité permet d'obtenir différentes activations pour différentes
réponses [23].

2.10.2 Architecture des CNN

Les réseaux de neurones convolutifs (CNN) comprennent différentes couches, chacune
jouant un rôle spécifique dans le traitement des données d'entrée. Habituellement, la première
couche est une couche de convolution qui extrait les caractéristiques de bas niveau. Par la suite,
une couche de sous-échantillonnage réduit la taille spatiale de la carte d'entités. On empile alors
plusieurs couches de convolution et de sous-échantillonnage pour en extraire des
caractéristiques plus abstraites. Enfin, les caractéristiques extraites sont transmises à une couche
totalement connectée afin de réaliser la classification finale. Les CNN peuvent également
utiliser des techniques telles que la normalisation par lot, la régularisation et le dropout pour
améliorer les performances du modèle et éviter le surapprentissage [18].

Figure 2.13. Réseau de neurones avec de nombreuses couches convolutives [23].

2.10.3 Les déférentes couches des CNN

Les réseaux de neurones convolutifs (Convolutional Neural Networks ou CNN) sont
composés de plusieurs couches qui permettent d'extraire des caractéristiques significatives à
partir des données d'entrée. L'architecture exacte des couches peut varier en fonction du
problème et des objectifs spécifiques.

a) Couche de convolution
Couche principale du réseau CNN, elle joue un rôle vital dans l'extraction des
caractéristiques. La figure 2.9 illustre l’opération de la convolution qui prend une image qui
représente une matrice compose de pixels de 0 et 1, elle est une dimension de 7×7 pour appliquer

30
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

un calcul à l’aide d’un noyau ou d’un filtre (3x3), pour produire une matrice les Dimensions
(5x5) ou ce que l'on appelle une carte des caractéristiques [24].

Figure 2.14. Couche de convolution [22].

b) Couche d’activation
Après les couches convolutionnels, une fonction d'activation est appliquée à chaque carte de
caractéristiques pour introduire des non-linéarités dans le modèle. La fonction d'activation la
plus couramment utilisée est la fonction ReLU (Rectified Linear Unit), qui remplace les valeurs
négatives par des zéros et conserve les valeurs positives.

c) Couche de pooling
Dans la plupart des cas, une couche convolutive est suivie d'une couche de regroupement.
L'objectif principal de cette couche est de réduire la taille des cartes d'entités convolutives pour
réduire le coût de calcul. Ceci est réalisé en réduisant les connexions entre les couches et en
fonctionnant indépendamment sur chaque carte d'entités. Selon la méthode utilisée, il existe
différents types d'opérations de pooling [18].
Max pooling : Il sélectionne les éléments les plus importants de la fiche technique.
Les éléments importants de la carte des fonctionnalités sont stockés dans la couche
maxpooling résultante. C'est la méthode la plus populaire car elle produit les meilleurs résultats
[18].
Average pooling : Il s'agit de calculer la moyenne pour chaque région de la carte
fonctionnalité. La somme des éléments de la partie prédéfinie est calculée dans Sum pooling
[18].

31
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

Figure 2.15. Pooling moyen & pooling maximal.

d) Couche entièrement connecter (Fully connected layer)

La couche entièrement connectée est similaire au réseau entièrement connecté dans les
modèles conventionnels. La sortie de la première phase (comprenant la convolution et la mise
en commun répétitive) est introduite dans la couche entièrement connectée, et le produit scalaire
du vecteur de poids et du vecteur d’entrée est calculé afin d’obtenir la sortie finale [29].

Figure 2.16. Couche fully-connected [22].

e) Couche de sortie :
La dernière couche d'un CNN est la couche de sortie, qui génère des prédictions ou des
probabilités associées à différentes classes ou catégories. Selon le problème, cette couche peut
utiliser une fonction d'activation appropriée, telle qu'une fonction softmax pour la classification
multi-classes [18].

2.10.4 Les fonctions d’activation

Les fonctions d'activation d'un réseau neuronal convolutif (CNN) jouent un rôle important
dans la capacité du réseau à introduire la non-linéarité et à capturer des relations complexes

32
 CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

entre les données. Le choix de la fonction de déclenchement dépend du problème spécifique et

peut être testé pour de meilleurs résultats. Les fonctions d'activation couramment utilisées dans
les CNN sont [25] :

a) Fonction d'activation ReLU (Rectified Linear Unit)

Cette fonction est définie comme f(x) = max (0, x), où x est l'entrée du neurone. Il conserve
les valeurs positives et rejette les valeurs négatives, introduisant ainsi une non-linéarité dans le
réseau.

b) Fonction d'activation Sigmoïde

La fonction sigmoïde est une fonction non linéaire qui transforme les valeurs d'entrée dans
une plage de 0 à 1. Elle est définie comme f(x) = 1 / (1 + exp(-x)). Il est couramment utilisé
dans les classes de sortie CNN pour la classification binaire ou probabiliste.
c) Fonction d'activation Softmax
La fonction softmax est utilisée pour classer plusieurs classes. Il convertit les valeurs d'entrée
en une distribution de probabilité où la somme de toutes les sorties est égale à 1. Il est souvent
utilisé dans la couche finale des CNN pour générer les probabilités de classe.

2.10.5 Les paramètres des CNN

Dans les réseaux de neurones à convolution (CNN), il est nécessaire de déterminer plusieurs
paramètres pour chaque couche, tels que le nombre de couches de convolution, de couches de
correction ReLU, de couches de pooling et de couches entièrement connectées. De plus, il est
important de spécifier les paramètres pour chaque couche de convolution et de pooling.

Pour une couche de convolution, trois paramètres sont utilisés pour la dimensionner. Le
premier est le nombre de noyaux de convolution, qui détermine combien de filtres seront
appliqués à l’entrée. Le deuxième paramètre est le pas de chevauchement, qui détermine le
décalage entre l’application des filtres. Le troisième paramètre est la marge à zéro (zéro
padding), qui ajoute des zéros autour des bords de la carte de caractéristiques afin de maintenir
sa taille identique à celle de l’image d’entrée. Cependant, il peut être souhaitable de ne pas
ajouter de zéros et de réduire ainsi la taille de la carte des caractéristiques.

33
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

En ce qui concerne la couche de pooling, celle-ci est définie par la taille de la fenêtre de
traitement et le pas de chevauchement. En pratique, une fenêtre de (2x2) avec un pas de 1 est
souvent choisie, ce qui signifie que la fenêtre se déplace d’un pixel à la fois lors du pooling [25].

2.10.6 L’entraînement des CNN

L'entraînement d'un réseau neuronal, tel qu'un réseau de neurones à convolution (CNN),
consiste à ajuster les poids du réseau afin qu'il puisse effectuer des prédictions précises.
Initialement, les poids du CNN sont définis de manière aléatoire. Pendant l'entraînement, le
CNN est alimenté avec un ensemble de données étiquetées, où chaque entrée est associée à une
classe spécifique. Le CNN traite chaque entrée en utilisant les valeurs actuelles des poids, puis
compare la sortie obtenue avec l'étiquette de classe réelle de cette entrée. Si la sortie ne
correspond pas à l'étiquette de classe, des ajustements sont effectués sur les poids du réseau pour
améliorer la correspondance entre la sortie et l'étiquette de classe. Cette correction des poids est
réalisée grâce à une technique appelée rétropropagation [25].

La rétropropagation est un mécanisme qui optimise le processus d'ajustement des poids en

calculant les gradients de l'erreur entre la sortie prédite et l'étiquette réelle, puis en propageant
ces gradients de manière rétrograde à travers le réseau pour mettre à jour les poids de manière
appropriée. Ce processus de rétropropagation facilite les ajustements nécessaires pour améliorer
la précision du CNN. L'entraînement du CNN se déroule sur plusieurs itérations appelées ‘’
epochs’’. À chaque epoch, le CNN parcourt l'ensemble de données d'entrée à plusieurs reprises,
effectuant des ajustements progressifs des poids pour améliorer sa capacité de classification et
de prédiction correcte des classes [25].

Une fois l'entraînement terminé, un ensemble de données de test est utilisé pour évaluer les
performances du CNN. Cet ensemble de données de test est composé des entrées étiquetées qui
n'ont pas été utilisées dans le processus d'entraînement. Chaque entrée du jeu de test est
introduite dans le CNN, et sa sortie est comparée à l'étiquette de classe réelle. Cela permet de
mesurer la précision et la capacité de généralisation du CNN. Il est important de noter que si un
CNN présente une précision élevée sur les données d'apprentissage mais une mauvaise précision
sur les données de test, cela peut indiquer un surapprentissage. Le surapprentissage se produit
lorsque le réseau s'est adapté de manière trop spécifique aux données d'entraînement et ne
généralise pas bien sur de nouvelles données. Cela peut se produire lorsque la taille de
l'ensemble de données est limitée [25].

34
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

2.11 Les avantage des CNN dans le domaine de RAL

Les réseaux de neurones convolutifs (CNN) présentent plusieurs avantages dans le domaine
de la reconnaissance du locuteur [18].

Capacité à extraire des caractéristiques pertinentes : Les CNN sont particulièrement

efficaces pour extraire des caractéristiques discriminantes à partir de données audios. Les
couches de convolution des CNN sont capables de détecter des motifs et des structures
spécifiques dans les signaux vocaux, ce qui permet de capturer des informations importantes
pour l'identification du locuteur.
Invariance aux variations : Les CNN sont conçus pour rester inchangés pour certaines
variations dans les données. Dans le cas de la reconnaissance du locuteur, cela signifie qu'ils
peuvent reconnaître le locuteur même si l'enregistrement diffère par la hauteur, la vitesse de
la parole, le stress, etc. Cette immuabilité améliore la robustesse du modèle et permet
d'obtenir de meilleurs résultats.
Réduction de la dimensionnalité : CNN utilise des couches de sous-échantillonnage
(Agrégation) pour réduire la taille des entités extraites. Cela réduit la dimensionnalité des
données, facilitant le traitement et la classification ultérieurs. Cette réduction de taille est
particulièrement intéressante dans le cas de la reconnaissance du locuteur où les
enregistrements vocaux peuvent être de durée variable.
Apprentissage automatique des caractéristiques : Contrairement aux méthodes
traditionnelles qui nécessitent une extraction manuelle des caractéristiques, CNN peut
automatiquement apprendre les caractéristiques distinctives à partir des données brutes. Cela
évite de dépendre de l'expérience et des connaissances d'experts, et permet au modèle
d'identifier les caractéristiques les mieux adaptées à la reconnaissance du locuteur.

2.12 Machine learning VS deep learning

Le Machine Learning et le Deep Learning sont deux concepts liés à l'intelligence artificielle,
mais ils présentent des différences importantes. Voici les principales distinctions entre le
Machine Learning et le Deep Learning :

35
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

Machine learning Deep learning

-Utilise des algorithmes pour apprendre à -Utilise des réseaux de neurones artificiels
partir de données structurées. pour apprendre à partir de données non
structurées.

-Peut être supervisé, c'est-à-dire qu'il - Fait partie intégrante du Machine

nécessite des données étiquetées, ou non Learning, en se concentrant sur des modèles
supervisé, où les données ne sont pas d'apprentissage automatique profonds et
étiquetées. complexes.

-Peut être utilisé pour résoudre une grande - Convient aux problèmes de
variété de problèmes, tels que la reconnaissance d'images, de reconnaissance
classification, la régression, la prédiction, la vocale, de traduction automatique, etc….
détection d'anomalies, etc.

-Convient au traitement de données - Traite des données non structurées, telles

structurées et semi-structurées. que des images, des vidéos, des textes, des
sons, etc.

-Peut être utilisé pour traiter de grandes - Requiert une puissance de calcul plus
quantités de données. élevée et des ressources matérielles
spécialisées, telles que les unités de
traitement graphique (GPU).

-Nécessite des compétences en extraction - Peut automatiquement extraire des

de fonctionnalités et en sélection fonctionnalités utiles à partir des données, ce
d'algorithmes appropriés. qui réduit la nécessité d'une extraction
manuelle de fonctionnalités.

Tableau 2.2. La différence entre machine et deep learning.

Pour résumer l'apprentissage profond implique des algorithmes qui peuvent apprendre
plusieurs niveaux de représentation afin de modéliser les rapports complexes entre les données.
Bien que l'apprentissage automatique fonctionne avec des fonctionnalités associées qui sont
généralement extraites manuellement des entrées, ensuite, ces fonctionnalités sont utilisées pour
créer un modèle qui exécute par exemple une tâche de classification. C'est pourquoi cette

36
CHAPITRE 2
DEEP LEARNING ET LES RESEAUX DE NEURONES CONVOLUTIFS

extraction manuelle de caractéristiques est à la fois difficile et coûteuse. Pour l'apprentissage

profond, les caractéristiques associées sont automatiquement extraites des données saisies,
comme le montre la figure 2.12 [31].

Figure 2.17. La différence entre ML et DL.

2.13 Conclusion
3 Dans ce chapitre Nous avons présenté le domaine de l’apprentissage profond,
commencerons par une introduction générale à l'intelligence artificielle et à l'apprentissage
automatique, soulignant l'importance de l'apprentissage profond et des CNN. Nous aborderons
ensuite les fondements des réseaux de neurones artificiels, en mettant l'accent sur les différentes
couches qui composent les CNN et leur fonction respective dans le traitement des données
d'entrée. Ensuite, nous mettrons en évidence les avantages distincts des CNN dans le domaine
de la reconnaissance du locuteur et leur capacité à extraire automatiquement des caractéristiques
pertinentes à partir de données audios. Ainsi que les architectures et les méthodes d'entraînement
spécifiques qui contribuent à l'efficacité et à la précision de ces modèles dans le domaine de la
reconnaissance du locuteur. Enfin, on à vue les distinctions entre la machine et le deep learning.

37
CHAPITRE 3 APPLICATION ET RESULTATS.

3.1 Introduction
Le deep learning, également connu sous le nom d'apprentissage profond, est une branche de
l'intelligence artificielle (IA) qui exploite les réseaux de neurones pour analyser des facteurs
variés en utilisant une structure similaire au système neuronal humain. Le deep learning joue
un rôle essentiel dans le domaine des technologies de l'information et de la communication en
raison de ses vastes applications. Dans ce chapitre on va présenter un système de reconnaissance
du locuteur à l’aide des réseaux de neurones convolutives (CNN).

3.2 Objectif de travail

L'objectif de notre recherche est de développer un système de reconnaissance du locuteur
utilisant les réseaux de neurones convolutifs (CNN). Nous espérons tirer parti de la puissance
de cette architecture d'apprentissage en profondeur pour identifier avec précision et
automatiquement une personne à partir de sa voix. Nous avons rassemblé un ensemble de
données composé d'enregistrements de plusieurs locuteurs, couvrant une variété de voix, de
styles de parole et de conditions d'enregistrement. Chaque enregistrement est étiqueté avec
l'identité de l'orateur correspondant. On a divisé notre ensemble de données en ensembles
d'apprentissage qui sera utilisé pour l'apprentissage du modèle, ensemble validation qui sera
utilisé pour ajuster les hyperparamètres et ensemble de test pour évaluer les performances
finales du modèle.

Nous avons choisi d'utiliser une architecture CNN connue pour son efficacité dans le
traitement des données séquentielles telles que les signaux audio. Notre réseau neuronal
convolutif se compose de plusieurs couches convolutives et de sous-échantillonnage suivies de
couches entièrement connectées pour la classification.

3.3 Environnement utilisés

3.3.1 Langage python

Python est l'un des langages de programmation les plus couramment utilisés par les
professionnels de la donnée, il a été inventé par Guido van Rossum, la première version de
python est sortie en 1991. Ses applications ne sont pas limitées à la Data Science mais peuvent
également être utilisées pour développer des logiciels, écrire des algorithmes ou encore gérer
l'infrastructure web d'un réseau social [24].

38
CHAPITRE 3 APPLICATION ET RESULTATS.

Figure 3.1. Les domaines d’applications de python.

Python est à la fois simple et puissant, il nous permet de créer des scripts très faciles à écrire
et possédant de nombreuses bibliothèques, nous pouvons nous attaquer à des projets plus
ambitieux. C'est un code de programmation qui se déroule en ligne, c'est-à-dire qu'il n'est pas
nécessaire de le compiler avant de l’exécuter. Il est polyvalent, ça veut dire qu'il operate sur
différents systèmes d'exploitation : Raspberry Pi, Mac OS X, Linux, Android, iOS et même sur
les mini-ordinateurs [24].

• Pour quoi python

Python est également très populaire dans le secteur de l'IA en raison de la qualité de ses
bibliothèques et de la puissance de calcul qu'elles possèdent. De nombreux chercheurs et
développeurs utilisent Python pour exécuter et tester de nouveaux algorithmes d’apprentissage
automatique et de deep learning, en particulier grâce aux plateformes telles que Tensorflow et
PyTorch. En utilisant le Python, il est possible de créer rapidement des configurations
complexes et performantes, qui sont donc un choix parfait pour les initiatives d'IA de grande
échelle [24].

De plus, le codage en Python permet aux développeurs de se concentrer sur l'objectif de leurs
programmes sans avoir à déboguer constamment leur code pour corriger les erreurs de syntaxe.
Il permet de réaliser tout type de projet avec un niveau d’exigence élevé. C’est pourquoi de
grandes entreprises comme Google, la Nasa, Microsoft ou Instagram (pour n’en citer que
quelques-unes) utilisent Python [25].

39
CHAPITRE 3 APPLICATION ET RESULTATS.

3.3.2 La plateforme Kaggle

Kaggle est une plateforme web fondée en 2010 par Anthony Gold bloom et Ben Hamner. Il
a ensuite été acquis par Google le 8 mars 2017 et la communauté compte plus de 536 000
membres actifs dans 194 pays. Kaggle est devenue la plus grande communauté de science des
données au monde, recevant près de 150 000 soumissions par mois. La plate-forme est devenue
un moyen extrêmement populaire pour les data scientistes de mettre en valeur leurs
compétences et d'être reconnus sur le terrain.

La plateforme a gagné la confiance de grandes entreprises de science des données telles que
Wal-Mart et Facebook. Il offre aux professionnels des données et autres développeurs la
possibilité de participer à des compétitions et des défis d'apprentissage automatique, d'écrire et
de partager du code et d'héberger des ensembles de données [25].

Figure 3.2. Le Logo de la plateforme Kaggle.

En outre, dans les notebooks Kaggle, nous avons la possibilité d'activer un GPU à tout
moment et nous avons l'autorisation d'utiliser activement le GPU pendant un maximum de 30
heures par semaine. Le GPU mis à disposition par Kaggle est le Nvidia Tesla P100, doté de 16
Go de mémoire. Les ensembles de données de Kaggle sont en open source, cependant, afin de
connaître les utilisations autorisées de ces ensembles de données, nous devons vérifier leur
licence respective. Il se peut que certains ensembles de données ne puissent pas être utilisés
dans des publications académiques ou à des fins commerciales [26].

40
CHAPITRE 3 APPLICATION ET RESULTATS.

3.3.3 Matlab

Matlab est un environnement de programmation orienté vers le calcul numérique. Avec son
langage de script éponyme, il offre un éditeur permettant d'exécuter des séquences de
commandes encapsulées dans des fonctions. Matlab est spécifiquement conçu pour des tâches
telles que l'analyse de données, la visualisation de graphiques, la génération de matrices, le
développement d'algorithmes et la création d'applications. Il est interopérable avec des langages
tels que Python, C/C++, Java et Fortran, et est optimisé pour le calcul en parallèle.

Figure 3.3. Le Logo de Matlab.

3.4 Définition des bibliothèques utilisées

3.4.1 Tensorflow

TensorFlow est un Framework d'apprentissage automatique open source développée par

l'équipe Google Brain. Initialement publié en 2015, il est devenu l'un des Framework les plus
populaires pour créer et déployer des modèles d'apprentissage automatique. TensorFlow fournit
une plate-forme flexible et efficace pour créer des modèles d'apprentissage en profondeur, y
compris la prise en charge du calcul CPU et GPU, du calcul distribué et de la différenciation
automatique.

L'une des principales caractéristiques de TensorFlow est sa capacité à définir et à exécuter

des graphes de calcul, permettant une parallélisation et une optimisation efficace des
algorithmes d'apprentissage automatique. TensorFlow fournit également une API de haut
niveau pour la création et la formation de modèles, et une API de bas niveau qui permet un
contrôle plus précis du graphe de calcul.

41
CHAPITRE 3 APPLICATION ET RESULTATS.

3.4.2 keras

Keras est une bibliothèque open source d'apprentissage automatique et d'apprentissage en

profondeur écrite en Python. Il fournit une interface de haut niveau facile à utiliser pour la
création, la formation et la notation de modèles d'apprentissage automatique.

L'une des principales caractéristiques de Keras est sa facilité d'utilisation. Il simplifie le

processus de développement de modèles d'apprentissage automatique et fournit un haut niveau
d'abstraction qui masque des détails techniques complexes. Cette bibliothèque permet aux
développeurs de créer des réseaux de neurones artificiels, des réseaux de neurones
convolutionnels (CNN), des réseaux de neurones récurrents (RNN) et d'autres architectures de
modèles populaires avec seulement quelques lignes de code.

3.4.3 Numpy

Le terme NumPy est en fait un acronyme pour "Numerical Python". C'est une bibliothèque
open source pour le langage Python. NumPy fournit des fonctions puissantes pour effectuer des
opérations mathématiques et statistiques en Python, y compris des opérations sur des matrices
et des tableaux multidimensionnels. La bibliothèque est particulièrement appréciée pour sa
capacité à effectuer efficacement des opérations telles que la multiplication matricielle.

3.5 Description et caractéristiques de la base de données

La base de données utilisée pour l'entraînement de notre modèle de reconnaissance
automatique des locuteurs est “Speaker Recognition Dataset", elle contient des enregistrements
audio de discours de différents locuteurs. Les caractéristiques de la base de données sont :

• Fréquence d’échantillonnage : Les enregistrements audio ont une fréquence

d'échantillonnage de 16 000 Hz.
• Structure des fichiers : Les fichiers audio sont au format WAV.
• Répertoire des données : Les données sont stockées dans un répertoire spécifié («.
/speaker-recognition-dataset/16000_pcm_speeches/audio").
• Structure des répertoires : Les enregistrements audio sont organisés dans des
répertoires par locuteur. Chaque locuteur a un répertoire séparé contenant ses
enregistrements audio.

42
CHAPITRE 3 APPLICATION ET RESULTATS.

• Étiquettes : La base de données contient 5 locuteurs (Magaret Tarcher, Benjamin

Netanyau, Jens Stoltenberg, Julia Gillard et Nelson_Mandela). Chaque locuteur est
associé à une étiquette unique pour l'entraînement et la classification.

3.6 Prétraitement des données

a. Chargement des dépendances
Les bibliothèques nécessaires sont importées pour le prétraitement des données, telles que
TensorFlow, NumPy, os, shutil, pathlib, IPython.display et subprocess.

Figure 3.4. Importation des bibliothèques nécessaires.

Cela permet d'avoir accès aux fonctionnalités requises pour manipuler et traiter les données.

b. Copie des données

Nous avons utilisé la commande ‘CP’ pour copier les données audio du répertoire
"/input/speaker-recognition-dataset" vers le répertoire courant "./speaker-
recognitiondataset/16000_pcm_speeches/audio".

c. Définition des paramètres

 Valid split
Cette variable représente la proportion de données qui sont utilisées comme ensemble de
validation lors de l'entraînement de notre modèle. Dans notre cas, 10% des données seront
utilisées pour la validation.

43
CHAPITRE 3 APPLICATION ET RESULTATS.

 Shuffle seed
C'est la valeur de la graine utilisée pour le mélange aléatoire des données lors de l'entraînement
est égale 43.

 Sample rate
La variable ‘sample rate’ spécifie le taux d'échantillonnage des enregistrements audio de
notre base de données qui est 16000 échantillons par seconde. Cela indique la fréquence à
laquelle le signal audio a été enregistré.

 Scale
La variable `scale` définie par 0.5 représente un facteur de mise à l'échelle qui peut être
appliqué aux données audios, généralement utilisé pour normaliser ou ajuster les amplitudes
des échantillons audio.

 Batch size
Cette variable spécifie la taille des lots (Batches) utilisés lors de l'entraînement du modèle.
Ici, la taille du lot est de 128. Cela signifie que 128 échantillons sont traités simultanément
avant la mise à jour des poids.

 Epochs
La variable `epochs` définit le nombre d'epochs (itérations complètes) pendant les quelle
nous avons entraîné le modèle. Un epoch correspond à une passe complète sur l'ensemble des
données d'entraînement. Notre l'entraînement du modèle se fera sur 15 epochs.

Figure 3.5. Les paramètres de notre modèle.

44
CHAPITRE 3 APPLICATION ET RESULTATS.

Ces variables sont utilisées pour contrôler divers aspects du processus d'entraînement de notre
modèle de reconnaissance de locuteurs.

d. Organisation des données

Nous avons organisé les fichiers en déplaçant les dossiers des locuteurs dans le répertoire
audio_path et les dossiers de bruit dans le répertoire noise_path.

Figure 3.6. Data directories.

Cette organisation permet de structurer les données de manière appropriée pour la suite du
traitement.

e. Chargement des chemins des fichiers de bruit

Nous avons parcouru les fichiers de bruit et les avons chargés en tant qu'échantillons de bruit,
Ce qui permet d'avoir accès aux échantillons de bruit pour les utiliser ultérieurement lors de
l'ajout de bruit aux données d'entraînement.

f. Conversion des fichiers audio de bruit

Les fichiers audios de bruit sont convertis pour s'assurer qu'ils ont tous le même taux
d'échantillonnage (16 000 Hz) en utilisant la commande FFmpeg. Cela garantit la cohérence du
taux d'échantillonnage pour tous les échantillons de bruit.

g. Chargement des échantillons de bruit

Les échantillons de bruit sont chargés en utilisant la fonction ‘load_noise_sample(Path)’.
Les échantillons sont stockés dans la liste noises après vérification du taux d'échantillonnage
correct. Cela permet d'avoir accès aux échantillons de bruit pour les utiliser lors de l'ajout de
bruit aux données d'entraînement.

45
CHAPITRE 3 APPLICATION ET RESULTATS.

h. Conversion des chemins et des étiquettes en un ensemble de données

Les chemins des fichiers audios et les étiquettes correspondantes sont convertis en un jeu de
données TensorFlow. Cette étape permet de préparer les données pour l'entraînement du modèle
en associant chaque chemin de fichier audio à son étiquette correspondante.

i. Ajout de bruit aux données d'entraînement

Le bruit est ajouté aux données d'entraînement en utilisant la fonction ‘add_noise’ (audio,
noises, scale). Un échantillon de bruit aléatoire est sélectionné pour chaque échantillon audio,
et la valeur maximale de l'échantillon audio est adaptée à la valeur maximale du bruit. Le
paramètre scale contrôle l'intensité du bruit ajouté.

j. Conversion des données audio en domaine fréquentiel

Les signaux audios sont convertis du domaine temporel au domaine fréquentiel en utilisant
la transformation de Fourier (FFT). Cette étape permet de représenter les données audios dans
un format adapté à l'entraînement du modèle basé sur des caractéristiques fréquentielles.

3.7 Construction du modèle

Couche d'entrée

Une couche d'entrée prenant des séquences de taille (8000, 1) (8000 échantillons avec 1
dimension). Cela correspond probablement à un signal ou une séquence unidimensionnelle.

Couches convolutives  Conv1d_15, conv1d_16, conv1d_17

Ce sont des couches de convolution 1D avec 128 filtres chacune. Elles sont utilisées pour
extraire des caractéristiques des données d'entrée.

 Activation_10, activation_11
Ce sont des couches d'activation (ReLU) qui introduisent de la non-linéarité dans les sorties des
couches convolutives.

Connexions résiduelles (Conv1d_14)

Une autre couche de convolution 1D avec 128 filtres appliquée sur l'entrée initiale. Cela sert de
connexion résiduelle et est ajouté aux sorties des couches convolutives précédentes (add_4).

Couche d'activation (Activation_12)

Une couche d'activation est appliquée sur la sortie de la connexion résiduelle.

46
CHAPITRE 3 APPLICATION ET RESULTATS.

Couche de pooling (Max_pooling1d_4)

Une couche de max pooling 1D réduisant de moitié la dimension des caractéristiques en
conservant les valeurs maximales dans chaque fenêtre.

Couche de pooling moyenne (Average_pooling1d)

Une couche de pooling moyenne 1D qui réduit davantage la dimensionnalité des
caractéristiques en prenant la moyenne des valeurs dans chaque fenêtre. Cela réduit le nombre
total de caractéristiques.

Couche de mise en forme (Flatten)

Cette couche convertit les caractéristiques en une forme linéaire pour les entrées de la couche
dense suivante.

Couches complètement connectées

 Dense : Une couche entièrement connectée avec 256 neurones et une fonction
d'activation 'relu', cette couche apprend des combinaisons linéaires des caractéristiques
précédentes pour effectuer une classification plus complexe.
 Dense_1 : Une autre couche dense avec 128 neurones qui réduit davantage la
dimensionnalité des caractéristiques.
Couche de sortie
La couche de sortie est une couche dense avec une fonction d'activation softmax, avec 5
neurones correspondant au nombre de classes de sortie. Cela indique que le modèle est utilisé
pour une classification multi classe avec 5 classes.

47
CHAPITRE 3 APPLICATION ET RESULTATS.

Figure 3.7. Architecture du modèle CNN.

Le modèle contient un total de 43,812,869 paramètres entraînables, c’est-à-dire que tous les
paramètres du modèle sont entraînables, ce qui signifie qu'ils seront mis à jour lors de
l'entraînement.

3.8 L’entrainement et évaluation de modèle

L'entraînement du modèle commence par l'appel à la méthode model.fit (), qui prend en
entrée les données d'entraînement (train_ds) et les données de validation (valid_ds). Le nombre
d'époques est défini par la variable epochs.

Figure 3.8. Entraînement de modèle.

48
CHAPITRE 3 APPLICATION ET RESULTATS.

Pendant chaque époque, le modèle est entraîné sur les données d'entraînement en utilisant la
méthode fit (). On peut voir que chaque époque est composée de plusieurs étapes (Steps)
représentées par le nombre total de lot (batch) dans le jeu de données. Pour chaque étape, le
modèle calcule la perte (loss) et l'exactitude (accuracy) sur les données d'entraînement.

Figure 3.9. Evaluation du modèle.

Et après chaque époque, le modèle est évalué sur les données de validation. On peut observer
la perte de validation (val_loss) et l'exactitude de validation (val_accuracy) pour chaque époque
(Figure 3.7). De plus, deux rappels (callbacks) sont utilisés pendant l'entrainement
earlystopping_cb et mdlcheckpoint_cb. ‘Earlystopping_cb’ permet d'arrêter l'entraînement
prématurément si la performance du modèle sur les données de validation cesse de s'améliorer.
Mdlcheckpoint_cb permet de sauvegarder le meilleur modèle obtenu pendant l'entraînement.

Après l'achèvement des époques, le modèle est évalué une dernière fois sur les données de
validation en utilisant la méthode model. Evaluate ().

Figure 3.10. La dernière évaluation de modèle.

On peut voir que la perte finale est de 0.0662 et l'exactitude finale est de 0.9840.

49
CHAPITRE 3 APPLICATION ET RESULTATS.

3.9 Test & prédictions du modèle

Pour effectuer les prédictions sur le jeu de données de test. Tout d'abord, nous créons le jeu
de données de test en utilisant les chemins des fichiers audios de validation et leurs étiquettes
correspondantes. Cela nous permet d'avoir un ensemble distinct d'échantillons pour évaluer les
performances du modèle. Ensuite, nous mélangeons le jeu de données de test pour assurer une
répartition aléatoire des échantillons. Cette étape est importante pour éviter tout biais potentiel
dans l'ordre des échantillons lors de l'évaluation.

Nous divisons le jeu de données de test en lots de taille (batch size). Cela nous permet de
traiter les échantillons par lots plutôt que tous en même temps, ce qui peut être plus efficace en
termes de mémoire et de calcul. Pour augmenter la robustesse du modèle aux variations de
bruit, nous appliquons une augmentation de bruit aux échantillons audio du jeu de données de
test. Cela est réalisé en utilisant la fonction "add_noise", qui ajoute du bruit aux audios en se
basant sur un ensemble prédéfini de bruits et une échelle spécifiée.

Ensuite, nous itérons sur le jeu de données de test et effectuons les prédictions. Pour chaque lot
d'audios et d'étiquettes, nous convertissons les audios en représentations de transformée de
Fourier à l'aide de la fonction audio_to_fft. La transformée de Fourier nous permet de représenter
les signaux audios en termes de leurs composantes de fréquence. Une fois les audios convertis en
représentations de transformée de Fourier, nous utilisons le modèle préalablement entraîné pour
prédire les étiquettes des échantillons audio.

Ensuite, nous sélectionnons aléatoirement un certain nombre d'échantillons (défini par

SAMPLES_TO_DISPLAY=10) à afficher. Pour chaque échantillon, nous comparons l'étiquette
réelle avec la prédiction faite par le modèle. Si l'étiquette réelle et la prédiction sont identiques,
nous affichons le message "Welcome", indiquant que le modèle a correctement identifié le
locuteur. Si l'étiquette réelle et la prédiction diffèrent, nous affichons le message "Sorry",
Indiquant que le modèle a fait une prédiction incorrecte. Ensuite, nous affichons le nom du
locuteur prédit par le modèle.

50
CHAPITRE 3 APPLICATION ET RESULTATS.

Figure 3.11. Prédiction du modèle.

Nous pouvons voir que le modèle a fait des prédictions correctes pour plusieurs échantillons,
ce qui est indiqué par le message "Welcome". Pour ces échantillons, le nom du locuteur prédit
correspond à l'étiquette réelle. Cela suggère que le modèle a réussi à reconnaître ces locuteurs
avec précision.

3.10 Résultat de classification

a. La précision (Accuracy)
La précision (Accuracy) est une mesure couramment utilisée pour évaluer les performances
d'un modèle de classification. Elle représente le rapport entre le nombre d'échantillons
correctement classés et le nombre total d'échantillons dans l'ensemble de validation.

51
CHAPITRE 3 APPLICATION ET RESULTATS.

Notre modèle a été entraîné sur un ensemble de données comprenant des échantillons audios
de différentes classes. Lors de la phase d'évaluation sur les données de validation, Les résultats
de classification indiquent que le modèle atteint une précision (Accuracy) de 98% sur les
données de validation.

Figure 3.12. Graphe de l’entrainement et la validation de la précision

(sur MATLAB).

Cela signifie que le modèle parvient à classifier correctement 98% des échantillons de la
validation ce qui indique une performance élevée et une capacité du modèle à bien généraliser
sur de nouvelles données.

b. La perte (Loss)
La perte est une mesure de l'erreur du modèle lors de la prédiction des étiquettes. L'objectif
est de minimiser cette perte pendant l'entraînement afin d'améliorer les performances du modèle
et d'obtenir des prédictions plus précises.

Après chaque époque d'entraînement de notre modèle, la perte (Loss) est diminuée, comme
indiqué précédemment sa valeur est indiquée environ 0.0914.

52
CHAPITRE 3 APPLICATION ET RESULTATS.

Figure 3.13. Graphe de l’entrainement et la validation de la perte(sur MATLAB).

Cela signifie que le modèle a réussi à minimiser l'erreur et à faire des prédictions précises.

3.11 Conclusion
Dans ce chapitre nous avons présenté notre étude sur la reconnaissance automatique des
locuteurs avec un réseau de neurones convolutifs (CNN). Nous avons commencé par prétraiter
les données audios afin de les représenter sous forme de données exploitables par le modèle
CNN. Ensuite, nous avons entraîné le modèle sur un ensemble de données comprenant
différentes voix et avons évalué ses performances sur un ensemble de test distinct.

Les résultats obtenus sont encourageants, avec une précision de 98% dans la prédiction des
locuteurs. Cela signifie que notre modèle est capable de reconnaître avec précision l'identité des
locuteurs à partir de leurs enregistrements.

53
 Conclusion générale

Conclusion générale
Le travail que nous avons fait au long de cette mémoire de fin d’étude s'inscrit dans le cadre
de la reconnaissance automatique du locuteur par Deep Learning en utilisant les réseaux de
neurones convolutifs (CNN). Notre objectif était de développer un système capable d'identifier
et de reconnaître les locuteurs à partir de leurs voix, en exploitant les puissantes capacités de
traitement des réseaux de neurones convolutifs.

Dans le premier chapitre, nous avons introduit le contexte général de la reconnaissance

automatique du locuteur, en analysant les différentes tâches impliquées dans ce domaine, telles
que l'identification et la vérification du locuteur, mais aussi la production et la reconnaissance
de la parole et du langage. Nous avons également présenté les applications de la reconnaissance
du locuteur dans divers domaines.

Le deuxième chapitre s'est concentré spécifiquement sur l’intelligence artificielle et les

réseaux de neurones artificiels. Nous avons abordé les différents types d’apprentissage ainsi
que les types de réseaux des neurones en mettent l’accent aux réseaux de neurones convolutifs.
Nous avons également expliqué en détail l'architecture des CNN, ses différentes couches et ses
différents paramètres. Nous avons aussi présenté l’entraînement des réseaux de neurones
convolutifs et leurs avantages dans le domaine de la reconnaissance du locuteur. Enfin, on a
étudié la différence entre l’apprentissage machine et l’apprentissage profond.

Le dernier chapitre de notre mémoire a porté sur l'implémentation et l'évaluation du système

de reconnaissance du locuteur basé sur les CNN. Nous avons décrit la méthodologie
expérimentale utilisée, y compris la collecte des données audio, la création des ensembles
d'apprentissage et de test et d’évaluation, ainsi que leurs paramètres.

Les résultats obtenus ont démontré l'efficacité des réseaux de neurones convolutifs dans la
reconnaissance du locuteur. Avec une précision de 98%, notre système a atteint des
performances remarquables, ouvrant ainsi de nombreuses perspectives d'application dans des
domaines tels que la sécurité, l'authentification et la surveillance

Bibliographie

54
Bibliographie
[1] A. Amehray, « Rehaussement de bruitage perceptuel de la parole », thèse de doctorat,
école nationale supérieure des télécommunications de Bretagne, 2009.

[2] S. K. Singh, P.C.Pandey, « Featues and Technique For Speaker Recognition », Seminar
Report, page 5,6, Novembre 03.

[3] M. MOUSS Mohamed Djamel, « Intégration D’un Module De Reconnaissance De La

Parole Au Niveau D’un système Audiovisuel – Application Téléviseur », thèse de doctorat,
Université Batna 2, AVRIL 2021.

[4] M. Denis Jouve, « Reconnaissance du locuteur en milieux difficiles », thèse de doctorat,

UNIVERSITÉ D’AVIGNON ET DES PAYS DE VAUCLUSE, 18 Juillet 2017

[5] Y. AZIZA, « modélisation Ar et arma de la parole pour une vérification robuste du

locuteur dans un milieu bruité en mode dépendant du texte », Mémoire de Magister, Université
Ferhat Abbas, Sétif, 2013.

[6] H. Satori, M. Harti and N. Chenfour, « Système de Reconnaissance Automatique de

l’arabe basé sur CMUSphinx », mémoire master, Dhar Mehraz Fès Morocco.

[7] Othman Lachhab, « Reconnaissance Statistique de la Parole Continue pour Voix

Laryngée et Alaryngée », Université Mohammed V de Rabat (Maroc), 2017.

[8] Vincent Jousse, « Identification nommée du locuteur : exploitation conjointe du signal

sonore et de sa transcription », mémoire master, Université du Maine, 2011.

[9] Michael F McTear, « Spoken dialogue technology: toward the conversational user
interface. Springer Science & Business Media », article, page 3, 2004.

[10] M. A. Wissmann et K. M. Béring, « Automatique Language Identification », Speech

Communication, article, page 4, 2001.

[11] Mr. Haddab, « reconnaissance automatique du locuteur par la méthode du taux passage
par zéro », mémoire master, université Mouloud mamri de Tizi-Ouzou, 2007/2008

55
[12] Jin, Minho, and Yoo, ChangD, « SPEAKER VERIFICATION AND IDENTIFICATION
», Korê Institut Avancé des Sciences et Technologies, République de Corée, 2004.

Bibliographie

[13] Siwar ZRIBI BOUJELBENE, « Identification du Locuteur par Système Hybride

GMMSMO », thèse, TUNISIA, March 22/26/2009.

[14] Dr. Clint Slatton, « A Speaker Verification System », thèse, Université de Florida,2006.

[15] A. Preti, « Surveillance de reseaux professionnels de communication par la

reconnaissance du locuteur », Thèse, Université d‟Avignon et des Pays de Vaucluse, France,
2008.

[16] (consulté le 12/06/2023), disponible sur :

https://www.editionseni.fr/open/mediabook.aspx?idR=f6e7a7353a3574180124387fa03fdcl,
[17] Amine Abdaoui, « Machine Learning », article, page 5, 1/7/2019.

[18] La Ryax Team, « Deep learning : comprendre les réseaux de neurones artificiels
(artificial neural networks) », article, page 3, 2020.

[19] Dr. Ouarda ZEDADRA, « Système de prédiction de la consommation d’énergie basé

Deep Learning », Mémoire master, Université de 8 Mai 1945, Septembre 2021.

[20] Pr. BILAMI Azeddine, « Apprentissage Incrémental & Machines à Vecteurs Supports
», Université HADJ LAKHDAR – BATNA, 18 /12 /2013

[21] Guillaume Saint-Cirgue, « Apprendre la machine learning en une semaine », 2019.

[22] Houcine Noura & Khelifa Nadia, « classification des textures par les réseaux de
neurones convolutifs », mémoire master, université mouloud Mammri tizi-ouzou, 2018/2019.

[23] M. Abderrahmane Adjila, « Détection d’activité vocale utilisant l’apprentissage profond

», Mémoire master, Université de Ghardaïa, 2019/2020.

[24] Apprendre programmation cours python 3, (consulté le 16/06/2023) disponible sur

: https://python.doctor/ .

56
[25] consulté le 18/06/2023, disponible sur : https://www.data-
bird.co/blog/langagepython#toc-que-peut-on-faire-avec-python-

[26] consulté le 22/06/2023 disponible sur : https://datascientest.com/kaggle-tout-ce-quil-

asavoir-sur-cette-plateforme .

57