JOURNAL OF COMPUTING, VOLUME 3, ISSUE 5, MAY 2011, ISSN 2151-9617

HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG 13

Voice Recognition System Using Wavelet

Transform and Neural Networks
Bayan Alsaaidah, Abdulsalam Alarabeyyat, Moh'd Rasoul Al-Hadidi

Abstract— Speech is the natural way that the people interact with each other. And by there voice, they can do and re‐
mote any job. This study aims to make the voice recognition system more efficient by converting the original data to 
seven levels; each level presents a wavelet transform and then examines which level of the seven levels presents the 
best solution. This system is applied on 40 samples which presents eight words. This research is based on speech rec‐
ognized words using Neural Networks, based on limited dictionary. This paper begins with introduction of this study, 
then presents some related works, and explained the experiment of this study; finally the conclusion and future works 
are presented. 

Index Terms— Speech Recognition, Wavelet transform, Neural Networks, Resampling.

——————————  —————————— 

1 INTRODUCTION
car,  performing  surgery,  or  firing  weapons  at  the  enemy 
Every day there is many people come to this world and  [2]. 
make  the  first  sound  to  begin  there  life  and  they  don’t   
know  that  by  this  sound  they  can  make  there  life  very     These  days,  we  need  to  do  every  thing  quickly  and  to 
comfortable  and  easy  to  communicate  with  people  and  save  our  times  and  do  it  without  using  our  hands  espe‐
machines.  cially  when  it  busy  with  something  else.  To  achieve  our  
   goal  we  can  give  order  to  any  system  just  by  using  our 
   The  speech  recognition  is  the  process  by  which  a  com‐ mouth by saying the order and it will be done. This con‐
puter  identifies  your  spokenwords.  It  means  when  you  cept can be achieved by using the voice recognition which 
are talking to your computer, the computer will correctly  is  a  process  by  which  the  words  of  the  humans  are  con‐
recognize what you are saying.  verted  into  electrical  signals  and  these  signals  are  trans‐
  formed  into  coding  patterns  to  which  meaning  has  been 
Moreover,  voice  recognition  [1]  “is  the  technology  by  assigned [3]. 
which  sounds,  words  or  phrases  are  spoken  by  humans   
that are converted into electrical signals, and these signals   There  is  a  difficult  in  using  the  voice  as  an  input  to  a 
are  transformed  into  coding  patterns  to  which  meaning  computer  presented  by  the  differences  between  the  hu‐
has  been  assigned”.  The  sound  recognition  can  be  more  man  speech  and  the  traditional  forms  of  the  computer 
general  than  the  voice  recognition,  but  in  this  paper  we  input.  Each  human  has  a  different  voice,  and  the  same 
focus  on  the  human  voice  because  it  is  most  often  and  words  can  have  different  meanings  when  it  is  spoken  in 
most  naturally  used  to  communicate  with  the  humans  different different contexts. To overcome these diffculties    
and machines.   there are many techniques and methods that can be used 
  for  voice  recognition  system,  one  of  these  methods  is  by 
   Speech  generation  and  recognition  are  used  to  com‐ using the artificial neural networks.  
municate  between  humans  and  machines.  Rather  than   
using our hands and eyes, and also we can use our mouth  Artificial Neural Networks (ANNs) are computer systems 
and  ears.  This  is  very  convenient  when  our  hands  and  made from collections of artificial neurons. They accept a 
eyes  should  be  doing  something  else,  such  as:  driving  a  vector  of  inputs  and  produce  a  vector  of  outputs.  They 
compute  their  results  in  constant  time  [4].  Like  what  we 
————————————————  know about the nervous system in the human body. They 
Abdulsalam Alarabeyyat is with Al‐balqa Applied University, Salt, Jordan. 
  are  trained  by  presenting  them  with  input  datasets  and 
Mohʹd Rasoul Al‐Hadidi is with Al‐balqa Applied University, Salt, Jordan.  corresponding correct outputs, and working to minimize 
  the  recognition  errors  by  adjusting  the  weights  of  the 
Bayan Alsaaidah is with Al‐balqa Applied University, Salt, Jordan. 
 
 
   
JOURNAL OF COMPUTING, VOLUME 3, ISSUE 5, MAY 2011, ISSN 2151-9617
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG 14

network [4].The neural networks are used to design many  exists  only  within  a  finite  domain,  and  its  value  is  zero 
applications and the speech recognition is one of the most  elsewhere [7].             
important of it.      
 
The  main  Significant  Contribution  of  this  research  study  2 RELATED WORKS
is  the  using  of  neural  networks  tool  to  design  a  system 
There are many researches presented in voice recognition 
that use the voice recognition technology, wher the voice 
system by using Artificial Neural Networks (ANNs), the 
is processed by using the Wavelet transform. Neural net‐
following explanation introduce some of them. 
work is applicable for many applications and it is popular 
 
and used in many applications in the recently years. It is 
   In 1988 Murdock et al. improve speech recognition and 
friendly tool with matlab enviroment when the grammar 
synthesis  for  disabled  individuals  using  fuzzy  neural 
rules are not known. 
network. Their system involves three stages: 
 
Dynamic word wrap matching is used to detect and align 
According to the mentioned before, the main objective is 
candidate  words;  fuzzy  neural‐net  word  recognition  is 
to  build  a  system  that  works  as  speech  recognition  after  
applied to input spectrogram patterns; a voice synthesizer 
minimize some features of the voice and train the neural 
is used to complete the interactive loop. The system has a 
networks to identify the spoken words, and then find the 
recognition accuracy of 95‐98% [8]. 
best  recognition  after  the  wavelet  transform.  In  a  speech 
 
recognition  system,  each  input  typically  represents  one 
   In  1989  Nakamura  and  Shikano  proposed  system  with 
feature of the captured speech signal. 
speaker  dependent  which  seem  an  updating  on  the  pre‐
 
vious works. The algorithm was applied to Hidden Mar‐
   The combination of the voice feature strengths results in 
kov  Models  (HMMs)  and  Neural  Networks  and  evaluat‐
an  output  vector  that  shows,  for  example,  the  likelihood 
ed  using  a  database  of  216  phonetically  balance  words 
that these inputs represent various phonemes under con‐
and  5240  important  Japanese  words  uttered  by  three 
sideration [4]. The neural network is a new technique that 
speakers. The HMM speaker adapted recognition rate for 
based on training a model to recognize certain patterns of 
b,d,g  was  79.5%.  The  average  recognition  rate  for  the 
voice  so  that  when  any  words  applied  to  the  model  and 
three choices was about 91%. The algorithm was applied 
have the same pattern it will be recognized. 
to  neural  networks  and  resulted  in  almost  the  same  per‐
 
formance [9]. 
   Pattern recognition is the basis of today’s voice recogni‐
 
tion  software.  For  any  application  the  voice  is  converted 
   In  1990  Hampshire  and  Waibel  proposed  the  Single‐
into  digital  data,  which  is  then  compared  to  information 
speaker  and  multispeaker  recognition  system  for  the 
stored in the programʹs database [5]. 
voice‐stop  consonants  b,  d,  g  using  Time‐Delay  Neural 
 
Networks  (TDNNs)  with  a  number  of  enhancements,  in‐
   The comparison process of the recognition system uses 
cluding  a  new  objective  function  for  training  these  net‐
algorithms  based  on  statistical  techniques  for  predictive 
works.  The  new  objective  function,  called  the  Classifica‐
modeling known as the Hidden Markov Model or HMM 
tion Figure of Merit (CFM) [10]. 
or  Neural  Network  or  any  other  approches.  The  process 
 
makes educated guesses about the audio sound pattern of 
   In  1994  the  speech  recognition  using  neural  networks 
voice to predict the words that the user might be used[5]. 
used to controlling a robot as mentioned in [11]. Zhou et 
 
al.  activated  robot  arm  controller  by  using  the 
Discrete Wavelet Transform (DWT) is an orthogonal func‐
VoiceCommander that based on neural networks. 
tion  which  can  be  applied  to  a  finite  group  of  data.  The 
 
DWT and the Discrete Fourier Transform (DFT) are simi‐
   In 1996 Nava and Taylor proposed a system with Neu‐
lar  in  the  orthogonality  of  the  function,  a  signal  passed 
ro‐Fuzzy  Classifier  (NFC)  with  excellent  classification 
twice through the transformation is unchanged, the input 
accuracy to solve the speaker‐independent systemʹs prob‐
signal is assumed to be a set of discrete‐time samples, and 
lems.  According  to  the  results  of  this  system,  the  NFC 
both transforms are convolutions [6]. 
shows better results than several existing methods [12]. 
 
 
   The  Discrete  Wavelet  Transform  gives  information 
   In  2003  a  2‐D  phoneme  sequence  pattern  recogniion 
about  the  frequency  function  in  the  signal  where  it’s  a 
using  the  fuzzy  neural  network  was  proposed  by  Kwan 
weakness  in  the  DFT  function.  A  wavelet  is  a  little  piece 
andDong.  They  used  the  self‐organizing  map  and  the 
of  a  wave.  While  theFourier  transforms  use  a  sinusoidal 
learning  vector  quantization  to  organize  the  phoneme 
wave  carries  with  repeating  itself  to  infinity,  a  wavelet 
JOURNAL OF COMPUTING, VOLUME 3, ISSUE 5, MAY 2011, ISSN 2151-9617
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG 15

feature  vectors  of  short  and  long  phonemes  segmented  summarized  by  that  the  performance  of  the  neural  net‐
from  speech  samples  to  obtain  the  phoneme  maps.  They  work  were  dependent  on  pronunciation,  and  that  the 
formed  the  2‐D  phoneme  response  sequences  of  the  three‐layered neural networks were effective for an indi‐
speech  samples  on  the  phoneme  maps  by  the  Viterbi  vidual identification using voice patterns [17]. 
search algorithm. Then they used these 2‐D phoneme re‐  
sponse  sequence  curves  as  inputs  to  the  fuzzy  neural     In  2010  Shahgoshtasbi  proposed  system  that  improves 
network  for  training  and  recognition  of  0‐9  digit‐voice  the  equality  of  speech  recognition  system.  This  system 
utterances [13].  has  two  parts:  The  first  part  filters  the  input  signal  and 
  packs  it.  Then  it  gets  the  average  of  three  packets  as  an 
   Toyoda  et  al.  proposed  a  system  by  using  a  multi‐ identification of the signal and send it to the second part. 
layered  perceptron  NN  system  for  environmental  sound  The  second  part  which  is  based  on  the  human  auditory 
recognition.  Environmental  sound  recognition  depends  cortex  was  an  associative  neural  network  that  maps  the 
more on the robot computer system task. The input data  input set to a desired output set. By experiment this sys‐
was  the  one‐dimensional  combination  of  the  instantane‐ tem is able to recognize a word even anoisy one [18].  
ous spectrum at the power peak and the power pattern in   
time domain. Two experiments were conducted using an 
original  database  and  a  database  created.  The  result  of  3 EXPERIMENT
recognition rate for 45 environmental sound data sets was 
The  design  of  the  proposed  system  based  on  the  prepro‐ 
about  92%.  They  found  that  the  new  method  is  fast  and 
cessing  of the wave  signal by  using the wavelet transform, 
simple compared to the HMM‐based methods, and suita‐
ble for an on‐board system of a robot for home use, e.g. a  and  also on  the  ANNs  which  are  designed  to  train  the 
security monitoring robot or a home‐helper robot [14].  system to  recognize the samples. 
    
    In  2007,  Soltani  and  Ainon  proposed  an  experimental  3.1 Recording the Voice
study  on  six  emotions,  happiness,  sadness,  anger,  fear,  The first  step of the voice recognition system  is the sound 
neutral  and  boredom.  This  experiment  used  speech  fun‐ record of the words that  will  be recognized  by the system. 
damental frequency, formants, energy and voicing rate as  The  record  process  can  be  achieved by  many  methods, 
extracted  features.  The  features  were  selected  manually  such  as  the  sound  recorder  that  is in  the  accessories  of  the 
for  different  experiments  in  order  to  get  the  best  results.  windows, the  Audio  recorder  in  any  program  with  the 
These  features  were  included  into  a  features  vector  with  input (N,  Fs,  and  CH).  That  is  records  N  audio  samples 
different sizes as input for different neural network classi‐ at  Fs  Hertz  from  CH  number  of  input  channels.  With 
fiers. The database which was used for this experiment is  the WAVE recording as output,  and the third method is 
the Berlin Database of Emotional Speech [15].  the  voice  record  with  matlab  environment,  which  is 
  achieved  by  using  a  list  of  commands  written  in  the 
   In the study of Al‐Alaoui et al. they implemented a new  command  window  and  record  the  desired  voice.  In  this 
pattern  classification  method,  where  they  used Neural  system  we  record 8 words; each  one  is recorded  5 times, so 
Networks trained using the Al‐Alaoui Algorithm.  we  have  40 voice  samples.  Table  1  summarizes  the  recorded 
The proposed speech recognition system was part of the  words in both Arabic and English languages. 
Teaching  and  Learning  Using  Information  Technology 
(TLIT)  project  which  would  implement  a  set  of  reading 
TABLE 1
lessons to assist adult illiterates in developing better read‐ 
THE WORDS IN THE RECOGNITION SYSTEM
ing capabilities.They compared two different methods for 
English words Arabic  words
automatic  Arabic  speech  recognition  for  isolated  words 
Open eftah 
and sentences. The result showed that the using of the Al‐
Close egleg 
Alaoui  Algorithm  better  than  HMM  in  the  prediction  of 
Right yameen
both words and sentences [16]. 
Left yasar 
 
   Onishi  et  al.  proposed  their  system  in  2009.  They  con‐
structed  an  individual  identification  system  with  three‐
layered  neural  networks.  The  voice  signals  were  prepro‐ 3.2 Analysis of voice signal
cessed  by  Fast  Fourier  Transform  (FFT),  and  then  they  The  designed  system  works  on  a  limited  vocabulary 
used  as  input  data  of  the  neural  networks  with  a  back‐ consists of  8  words.    Each  words  recorded  with input 
propagation learning algorithm. The results of this study  parameters  as  (44100  Hz,  16,  stereo).It  was  read with  this 

© 2011 Journal of Computing Press, NY, USA, ISSN 2151-9617

JOURNAL OF COMPUTING, VOLUME 3, ISSUE 5, MAY 2011, ISSN 2151-9617
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG 16

parameters  with  two  channel for  each  one.  The  analysis  TABLE 2

THE TRANSFORMATED LEVELS
process  begins  with  resampling  of  the  voice  signals  to 
minimize  the  sample’s size  without any  effects  on  the  Levels Audio  rates(Hz) 
0 40000 
content  of  these  samples.  The  human can hear the  sound 
1 20000 
up to  20 KHz rates so  the maximum rate is 2 x 20 KHz = 
2 10000 
40  KHz  maximum  rates  according  to  the  relation  be‐
3 5000 
tween  fs  and  fm  that  is  shows that  fs  greater  than  or  4 2500 
equal  to  double  fm.      The  resampling  here  convert  5 1250 
44100 Hz  to  be  40000 Hz  by  rate  of  10‐15%,  this  step  6 625 
aimed  to  minmize  the  size of  data  to  minmize  the  sys‐ 7 313 
tem’s time. The  resampling process use one channel in  this   
system that  is the left  one.  The  proposed  system used the  discrete wavelet  trans‐ 
  form that  can be calculated by the equation 1: 
   The resampling process    involves converting a sampled 
signal  from  one  sampling  frequency  to  another  fre‐
quency  without  any  changing  on  the  period  of  the   
sample  if  the  sampled  audio  was played at  the  new rate  Where the  range of  the  summation is  determined by  the 
directly.   Figure  1 shows  a resampling voice signal of  our  specified number of nonzero coefficients  M.  The number of 
system (egleg).  nonzero coefficients is arbitrary,  and they will  be the order 
  of the wavelet. The value of the coefficients  is determined 
by  constraints  of  orthogonality  and  normalization,  this 
value is not  arbitrary [6]. 
 
   The  processing  of  the  wavelet  transform  begins  with 
load‐ ing  all  the  samples  including  the  original  sample. 
Then for  each  sample  the  wavelet  filter  is constructed  us‐
  ing first  daubechies  and  the  Discrete Wavelet  Transform 
 
(DWT) is applied.  The  daubechies used  as  mother wavelet 
Figure 1: Resampled voice signal
  function  because  it  is  better  to  remove  the  noise  from 
the  signal.  For  each  sample  the  DWT    applied  seven 
3.3 Wavelet Transform times  to  obtain  seven  levels  of  transformation  so  the 
Discrete  Wavelet  Transform  (DWT)  is  an  orthogonal  overall  transformation  equal to  40  samples  x  7  levels  = 
function  which  can be  applied to  a finite  group of  data.  280 wavelet transforma‐ tions.   Then  the  result  of  these 
Use a separate file for each image. The  functionality   of  transformations  is  saved in the database to be an input to the 
DWT   is  like  the  Discrete  Fourier Transform(DFT),   in  Artificial Neural Networks (ANNs). 
that  the  orthogonality  of  the  function,   a  signal  passed  
twice  through  the  transformation is unchanged,  the  in‐ 3.4 Neural Network Topology
put  signal is assumed  to  be  a set of discrete‐time samples,  The  topology of  the  designed  ANN  which  is used in  the 
and both  transforms are convolutions [6].  system is  shown in  Figure  2.   In  this  system there  are 8 
  networks,  each  level of  the  wavelet  transform  has a  net‐ 
In  the voice recognition  system the data was  compresse  work.   In  the  next  subsections  the  detail description  of 
by  using DWT  to  be  smaller and minimize some  features.  each  component of this  topology is presented. 
In  the  proposed  system  the  data  that  were  resampled  con‐   
verted  to  another  forms  by  using  the  wavelet transform, 
this  process  applied on the data seven times and after  that 
the data begin too small so seven times are enough. 
 Table  2  shows  the  seven  levels  of  the  wavelet  trans‐
form  that  applied on the data  and  also the  original  data 
is remain to  see  what  is the best one of them. 

 
Figure 2: The topology of one ANN
JOURNAL OF COMPUTING, VOLUME 3, ISSUE 5, MAY 2011, ISSN 2151-9617
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG 17

3.5 Input Layer After   the   network   architecture   has  been  established, it 

As shown in  figure 2 the  input  layer has 40 neurons  that  is  necessary  to  determine which  value of  weights must be 
present  the audio signals that  will  enter the network.  The  assigned    to  the  network  to  minimize  the  error  rate.To  
value  of  this  input  has  minimum  and  maximum  value  assign  this   weights,  the   backpropagation  training algo‐
depends on the input  audio.  rithm   is  used  to   train   the   network.      The  weights  of 
the  networks  are  established,  and  also  the  biases  are  es‐
3.6 Output Layer
tablished. 
The numbers of neurons in output layers are eight neurons de‐ 
 
pending  on  original  sample  and  the  seven  levels  of  the 
   The   Sum‐squared   error   goal,   the   maximum   number 
wavelet transformation.  For  each sample  that  will  be  rec‐
of   epochs to   train,   and  the   Momentum   constant   are 
ognized  there are  eight output  to  show  which  signal can 
presented  to  the  neural  networks.  After      the    input      X   
give a best recognition, for this  reason  there are eight neu‐
and    the    desired  output      Y      are  presented  to  the  net‐
rons  in  the output  layer. 
work,  then  the  network  use  the  input  X  to  calculate  the 
3.7 Hidden Layer output    O,  this  value  differs  from  the  desired output    Y  
or  the  target  output.      The  difference  between  the  de‐
In  this  neural network  there  is a single hidden layer that 
sired  output  and  the  actual  output  is  computed  and  is 
has 25 neurons. These numbers depends on experiments 
called the error. 
in  the  training  of  neural  network  and  choose  the  best 
number  that  gives  a  best  training.  There  is  no  exact   
rule  that gives  the best  number of neurons  in  the hidden  After    that    the error is computed using the mean squared 
layer.  The choosing  of  the  optimal  number of  neurons  in  error  (MSE).  The  error  is  propagated backward to  change 
the  hidden  layer  is  determined  by  doing  many  experi‐ the  weights in  order to  minimize  the  error  rate.  This  pro‐
ments  and  then chooses  the best  one that  is 25  in  this  sys‐ cess  is  repeated  for  a  series  of  experimental  data  during 
tem. This layer is important to  determine the best perfor‐ the  training  process  to  reach the  error  rate  goal.  This  is 
mance  of the ANN.  the  summary  of  the  learning  process  in  the  proposed 
ANN. 
3.8 Recognizing Process  
The most important part  of the system is the recognition     The b a c k p r o p a g a t i o n   algorithm i s  used  to t r a i n    
process  of  the  given patterns.   There  are many  methods  the ANNs.  The  backpropagation  algorithm  has  two  passes 
that achieve this process, the most  common  used are Hid‐ in the training  process: 
den  Markov  Model  (HMM)  and  ANNs.    The  system  1.  Forward  pass:  begins  with  initialize  the  weights 
here  has  a  limited  dictionary  so  the  best  method  to  and biases.  Then  apply  the  input array  X  to  the  in‐
recognize  is  the  ANNs,  while  HMM  is  better  with  put layer.  After  that  calculate the inputs and the out‐
speech recognition that  has a big dictionary.  puts for  the hidden layer.  This  is done  by  finding  the 
  summation  of  multiplying  the  input  values  by  the 
   The  recognition  process  is  achieved  by  using  neural  weights  for  each  neuron  in  the  hidden  layer.  The 
networks  t h a t   i s   offered by  Matlab  software. In the  neu‐ output  for  each  neuron  is  calculated  by  applying 
ral  networks the  recognition process is done by  using the  the  suitable  activation  f u n c t i o n   f o r   t h e   comput‐
special  function  called  sim  which  indicate  the  similarity  ed  summation.  In  this  system,  the  logistic  activation 
between the sample and the trained samples.  function  is  used.  Then  calculate  the  inputs  and  the 
outputs for the  output layer. This  is  done by  finding 
3.9 The Training Stage the  summation  of  multiplying  the  output  v a l u e s  
This  system  b ui l t  the   n e u r a l  n e t w o r k s   by  u s i ng   the   from  the  hidden  layer  by  their  corresponding 
MultiLayer  Perceptron  (MLP)  structure.  Each  network of  weights  for  each  neuron  in  the  output  l a y e r .  The 
the system  has three  layers with   a  sigmoidal  function  in  output  for  each  neuron  is  calculated  by  applying 
the  hidden  layer  followed by  a  training  function  Gradi‐  the  logistic  activation  f u n c t i o n   as  defined  for  this 
ent  descent  (gdx)   that   use  a  momentum  and  adaptive  summation. The  result  is  the  network  output  o.  The 
learning  rate  backpropagation.  The  momentum  used  in  calculated  network  o ut p ut   O   is  compared  with 
the  backpropagation  algorithm  to  achieve  a  faster  global  t h e  desired output Y.  If there  is  a  difference, then 
convergence  [19].  Traingdx  can train any  network  as long  the  error  is computed using the Equation (2). 
as  its  weight,  its  input,  and  transfer  functions  have  de‐
rivative functions.  Error = Y − O (2)
 
JOURNAL OF COMPUTING, VOLUME 3, ISSUE 5, MAY 2011, ISSN 2151-9617
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG 18

2.  Backward  pass:   The backward  step  presents  the  Where 

adjusting  of  the  weights  for  the  output  layer,  and  •  AR:  Accuracy Rate. 
also  for  the  hidden layer. The  forward  pass  and  the   
backward  pass  are  repeated  for  each sample in  the  •  CR:  Correctly  Recognized. 
training  set.    After  all  samples  are  trained,  the  mean   
square error (MSE) is  computed using Equation  ( 3):  •  S: Samples that  will  be examined.
   
By  using this  formula, the accuracy  of this  system  is 90%. 
  After  the result is presented  and analyzed,  the  percentage 
 Where n  represents the  size of  the  training set.   The  of recognition of each  level of the wavelet transformations 
training  sets  are  maximized  by  adding  a  noise  to  shows  that  the  level seven  give  the  best  recognition per‐
achieve  more  size  of  input  to  increase  the  precise  of  centage as shown  in  table 3. 
training,  the  number  converted  from  40 to  160  sam‐
TABLE 3
ples.  RECOGNITION RATES
  Levels Recognition Rate
The  developed  neural  network  is  trained  well,  accord‐ 0 12.51%
ing  to  the  figure  3  that  shows  the  performance  and  the  1 12.49%
target of the NN  of the best level of the DWT  (level 7).  2 12.46%
  3 12.53%
4 12.50%
5 12.44%
6 12.51%
7 12.57%
 
Which  means  that  the best way to  reach  to  an efficient 
  voice recognition system is by applying the wavelet trans‐ 
Figure 3: The performance of ANN formation  of  the  voice sample  seven  times  and  then  rec‐
  ognize it.   The  following  figures (5  &6)  show the  differ‐
The training  process of this ANN  is reached to the target  ence  between the original sample  (of the word yasar) and 
output  by extremely 99%  as shown  in  the figure 4.  the  same  sample  after  the  DWT  is  applied  on  it  seven 
   times, This  is clear  that  the  DWT  compressed  the  size  of 
this  sample. 
 

 
Figure 5: The Original Sample
Figure 4: The Regression of ANN
 

3.9 The Testing Stage

The  testing  stage  is the  final  stage  of  the  proposed  system 
that aims  to  examine the  results  and  determine  the accu‐
racy of the system. 
 
   To  determine  the  performance  of  the  voice  recognition 
system,  the  accuracy  should  be  calculated  by  using  the  Figure 6: The 7’th Transformation
 
following equation: 
 

 
JOURNAL OF COMPUTING, VOLUME 3, ISSUE 5, MAY 2011, ISSN 2151-9617
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG 19

4 CONCLUSION and implementation”, Technical report, Stanford Uni‐ 
In  this  study,  the  multilayer  p e r c e p t r o n   is  used  as  versity, 1991. 
structure  of  the  ANN and  the  backpropagation training  [7]www.thepolygoners.com/tutorials/dwavelet/dwttut.ht
ml. Accessed on 20‐2‐2011. 
algorithm  is used to  train  the developed  ANN. 
[8] R. Murdock, J. Husseiny, A. Liang, E. Abolrous, S. Ro‐
   The proposed system  applied  the DWT o n   the orig‐
driguez,  “Improvement  on  speech  recognition  and  syn‐
inal  data  seven  times  to  convert  to  a  smaller data.  Each 
thesis for disabled individuals using fuzzy 
level  of  this  transformation  has  an  individual  network 
neural net retrofits”, Neural Networks, IEEE Interna‐ 
with  the  same  parameters  except  the  input  value.  The 
tional Conference on 24‐27 Jul, 1988. 
recognition  process  can  be  achieved  by  using  using  the 
[9] S. Shikano, K. Nakamura,” Speaker adaptation applied 
special  function  called  sim  which  indicate  the  similarity  to HMM and neural networks”,  Acoustics, Speech, and 
between the sample and the trained samples.  Signal Processing, ICASSP‐89., International Con‐ 
   The   testing   process   shows  that   the   best  level   that  ference on 23‐26 May, 1, 1989. 
gives  the  higher  recognition  rate  is  the  seven  level, that  [10] , J.B. A II Waibel, A.H. Hampshire, “novel objec‐ 
ensure that  the  DWT   is  an  effecient  approach that  com‐ tive function for improved phoneme recognition using 
pressed  the    data  to    minimize  it’s    features  that    will   time‐delay neural networks”, Neural Networks, IEEE 
make  the recognition  process  faster and  it  improved  the  Transactions, V 2(216‐228), 1990. 
accuracy  of  the  system.  The  accuracy  of  this  system  is  [11] K.Ng, Y. Zhou, R. Ng, “A voice controlled robot 
80%‐100% according  to  the  sample  and the  overall accura‐ using neural network”, Intelligent Information Sys‐ 
cy  is  90%.  The  performance  of  the  ANN  of  the  seventh  tems. Second Australian and New Zealand Conference 
level is extremely 99%.  on 29 Nov‐2 Dec, 1994. 
   [12] P.A. Taylor, J.M. Nava,” Speaker independent voice 
recognition with a fuzzy neural network”, Fuzzy Sys‐ 
5 FUTURE WORKS tems, Proceedings of the Fifth IEEE International 
Conference on 8‐11 Sep, 3, 1996. 
There  are  many  directions  are  recommended  to  enhance 
[13] H.Dong, X. Kwan, “Phoneme sequence pattern 
the  voice recognition  system using  ANNs,  such as:  im‐  recognition using fuzzy neural network”,  Neural Net‐ 
proving  the  accuracy of  the  voice recognition  system by  works and Signal Processing, Proceedings of the 2003 
training  the  ANNs  on more data  or  by  taking  a specif‐ International Conference on 14‐17 Dec., 1, 2003. 
ic  duration  of  the  voice  sample to  minimize  the  data  [14] S. Ding, Y. Liu, Y. Toyoda, J. Huang, “Environmental 
and  eliminate  all  unnecessary  durations.  Improving  the  sound  recognition  by  multilayered  neural  networks”, 
recognition system by  using sentences  not  only  words in  Computer  and  Information  Technology,  CIT  ʹ04.  The 
the  training  and  recognizing  processes.  Comparing  the  Fourth International Conference on 14‐16 Sept., 2004. 
accuracy  of  the  system that  is  applied  on  female voice  [15] K. Ainon, R. Soltani, “Speech emotion detection 
with  the  same  system  which  is  applied  on  male  voice.  based on neural networks”, Signal Processing and Its 
Finally, applying  the  voice recognition system  on anoth‐ Applications. ISSPA 2007. 9th International Sympo‐ 
er type of ANNs.  sium on 12‐15 Feb., 2007. 
[16]  J.  Azar,  E.  Yaacoub,  M.  Al‐Alaoui,  L.  Al‐Kanj, 
REFERENCES “Speech  recognition  using  artificial  neural  networks  and 
[1] B. Juang, L. Rabiner, “ Fundamentals of speech recog‐ hidden markov models”, In IMCL2008 Conference, 2008. 
nition”,  PTR  prentice‐hall,Inc.,A  simon  and  schuster   [17] A. Hasegawa, H. Kinoshita,  K. Kishida,  S.Onishi, 
company, 1993.  S. Tanaka, “Construction of individual identifica‐ 
[2] www.physics.otago.ac.nz/internal/elec401/dsp‐  tion system using voice in three‐layered neural net‐ 
smith/ch01.pdf. Accessed on 10‐12‐2010.  works”, Intelligent Signal Processing and Communi‐ 
[3] R. Adams,” Sourcebook of automatic identification  cation Systems. ISPACS 2009. International Sympo‐ 
and data collection”, Van Nostrand Reinhold, New  sium on 7‐9 Jan., 2009. 
York, 1990.  [18] D. Shahgoshtasbi, “ A biological speech recognition 
[4]  D.  Colton,”  Automatic  speech  recognition  tutori‐ system by using associative neural networks”, World 
al”,2003.  Automation Congress (WAC), 2010. 
[5] Clariety,” Voice Recognition Technology The Perfect   [19]  V.  Sandrasegaran,  K.  Venayagamoorthy,  G.K. 
Computer Interface for the Real Estate Industry”,  Clarei‐ Moonasar,  “Voice  recognition  using  neural  Networks”,  
ty Consulting & Communications, Inc., 2004.  Communications  and  Signal  Processing,  COMSIG  ʹ98. 
accessed on 22‐1‐2011.  Proceedings of the 1998 South African Symposium on 7‐8 
[6] T. Edwards,” Discrete wavelet transforms: Theory  Sep, 1998.