R ENDICONTI
del
S EMINARIO M ATEMATICO
della
U NIVERSITÀ DI P ADOVA
C ARLO M INNAJA
G IORGIO P INI
G IOVANNI Z ILLI
Un modello additivo per matrici asimmetriche di confusione
Rendiconti del Seminario Matematico della Università di Padova, tome 72 (1984), p. 357-372
<http://www.numdam.org/item?id=RSMUP_1984__72__357_0>
© Rendiconti del Seminario Matematico della Università di Padova, 1984, tous droits réservés.
L’accès aux archives de la revue « Rendiconti del Seminario Matematico della Università di Padova » (http://rendiconti.math.unipd.it/) implique l’accord avec les conditions générales d’utilisation (http://www.numdam.org/conditions).
Toute utilisation commerciale ou impression systématique est constitutive d’une infraction pénale. Toute copie ou impression de ce fichier doit conte- nir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
per matrici asimmetriche di confusione.
CARLO MINNAJA - GIORGIO PINI - GIOVANNI ZILLI
(*)
SUMMARY - Confusion matrices,
widely
used in audiometrics, show asym- metries which becomestronger
in conditions offiltering
ormasking
ofthe sound. Such
asymmetries
wereusually neglected,
and the matriceswere forced to be
symmetric
apriori.
In this paper a model ispresented
to
study
the causes of suchasymmetries,
under thehypotheses
that theseasymmetries
are due to additive distortion terms, correlated to the fre-quencies
of occurrences of theconcerning phonemes
in thespoken language.
A calculus based on statistics of occurences in
spoken
Italian confirms theutility
of the additive model and also of thehypotheses; goodness
of fit is
specified.
SUNTO - Le matrici di confusione,
ampiamente
usate in audiometria, pre- sentano asimmetrie che si accentuano in condizioni difiltraggio
o di masche-ramento del suono. Tali asimmetrie solitamente venivano trascurate, e le matrici in
questione
venivano simmetrizzate artificiosamente apriori.
In
questo
lavoro vieneproposto
un modello per studiare i motivi di tali asimmetrie, sottol’ipotesi
che esse siano dovute a termini additivi con-tenenti funzioni di distorsione, correlati con la
frequenza
dicomparizione
dei fenomeni nella
lingua parlata.
Uncomputo
basato su statistiche dicomparizione
nellalingua
italiana conferma la validità diprincipio
delmodello additivo e delle
ipotesi
fatte,precisando
i limiti di adattabilità dello stesso ai datipresi
in esame.(*)
Indirizzodegli
A.: Istituto di MatematicaApplicata,
Università di Padova.Lavoro
eseguito
nell’ambito del G.N.I.M.-C.N.R.(Progetto
finalizzato INFORMATICA -Sottoprogetto SOFMAT).
0. Introduzione.
Le matrici di confusione sono
particolari
matrici didissimilarità
usate in acustica e
foniatria;
esse hanno per elementi ai, i risultati diun
esperimento
che consiste nel far riconoscere a vari ascoltatori alcuni stimoli acusticiprodotti
e ascoltati in variesituazioni.
L’elemento a~¢è il numero di volte in cui lo stimolo i è stato riconosciuto
come i;
l’indice j
viene dettorisposta
allo stimolo. Trattandosi di stimoli acu-stici
predefiniti,
l’insieme I in cui si fanno variaregli
stimoli è lo stesso diquello
dellepossibili risposte.
Solitamente I è un alfabeto fonetico.La
produzione degli
stimolipuò
essere effettuata in situazioni di-verse : ad
esempio
attraverso unmicrofono,
o in ambiente rumoroso,o da persone affette da dislalia. A sua volta l’ascolto
può
essere effet-tuato attraverso cuffia
telefonica,
o in ambiente rumoroso, o da personenon normoacusiche.
L’utilizzazione delle matrici di confusione è
plurima:
essa va dallanormalizzazione di
apparecchiature telefoniche,
alla valutazione della fedeltà di sistemi ditrasmissione,
alladiagnostica
e allapratica
tera-peutica
ai fini della rieducazione dellaparola
o dell’udito.A
partire
dalle matrici diconfusione,
come apartire
daqualsiasi
matrice di similarità o di
dissimilarità,
sipuò
istituire una funzionedistanza tra
gli
stimoli. Tale distanzapuò
esserepoi
confrontata conaltre distanze istituite con altri
metodi,
apriori
osperimentali.
Si pongono
quindi
due ordini diproblemi:
ilprimo
è istituire unmodello matematico nel
quale
leprobabilità
di confusione sianoposte
in relazione con una distanza tra
gli stimoli;
il secondoproblema
èstudiare le inevitabili deviazioni dei risultati
sperimentali
daquesto
modello.
Particolare interesse hanno le deviazioni dovute al fatto che le matrici di confusione sono in
generale
asimmetriche.0.1 L’asimmetria delle matrici di confusione è stata spesso ritenuta irrilevante ai fini della similarità
degli stimoli,
e si possono proporre vari metodi per eliminare tale asimmetria. Il metodopiù semplice,
el’unico usato
effettivamente,
consiste nel porresi
agisce quindi
sulle matrici simmetrizzate per istituire una distanza.Tuttavia
può
essere interessante studiare l’asimmetria e nonsemplice-
mente eliminarla.
Per
interpretare
l’asimmetria sono statiproposti
varitipi
di modellifondamentalmente suddivisibili in due
grandi categorie.
Nellaprima
vengono classificati i modelli che considerano
l’aspetto
simmetrico equello
asimmetrico comeparti
inscindibili di uno stesso processo fon-damentale ;
nella seconda vi sonoquelli
chedistinguono gli aspetti
simmetrici da
quelli
antisimmetrici tramite una analisiappropriata.
Lo scopo di un modello per le matrici di confusione è
quello
dipredire
le asimmetrie della matrice a,,. I vari modelli della secondacategoria prospettati
in letteratura(vd. bibliografia
di[1])
utilizzanouna funzione di due variabili x ed y, simmetrica
rispetto
ad esse, con distorsioniapportate
da duefunzioni,
una della variabile x e l’altradella variabile y. Lo scopo di
questo
lavoro è di proporre un modello in cui le funzioni di distorsione siano funzioni della distanza tragli stimoli,
distanza che è a sua volta funzione delle caratteristiche fone-tiche, acustiche,
o articolatorie dei suoni inquestione.
Alcune considera- zioni di minimo hannocondotto,
tramite una tecnica di branch andbound,
alla scelta di un modellodeterminato,
la cui validità è stata verificata su uncomputer
Olivetti P 6066.1. Definizioni e risultati
preliminari.
1.1 Poichè nei
pochi
lavori finoraapparsi
non sempre è ben chiaro sottoquali ipotesi
sono validi i modelliproposti,
e neanche le definizionisono sempre
poste
in manieraunivoca,
diamoqui
una nomenclatura a cui ci riferiremo inseguito.
1.2 Dato un
esperimento
di riconoscimento di stimoli acustici xE X,
indichiamo con
p(x, y)
lafrequenza
con cui allo stimolo x è stata data larisposta y,
con y eX; p(x, y)
si intendenormalizzata, con 1 p(x, y)=1.
I "Ex
Gli elementi
p(x, y)
sono collocati in una matrice pzy che ingenerale
non risulta simmetrica. I modelli che
qui
esamineremo dovranno per- tanto adattarsi in modo che vedremo alla matricep(x, y).
1.3 DEF. Dicesi modello metrico a distorsione di
risposta
di unamatrice di confusione asimmetrica pxy la matrice
quando
sxy è una matrice simmetrica. La funzioneb(y)
della solarispo-
sta y è detta
f unzione
di distorsione dirisposta.
1.4 DEF. Dicesi modello metrico a distorsione di stimolo di una
matrice di confusione asimmetrica la matrice
quando
è una matrice simmetrica. La funzionea(x)
del solo stimolox è detta
funzione di
distorsione di stimolo.1.5 Oss. I due modelli sopra definiti sono
equivalenti
dalpunto
di vista matematico. Si
potrebbe
proporre un modello che consideriuna distorsione
dipendente
sia dallarisposta
che dallostimolo,
cioèun modello del
tipo
Tuttavia tale modello non è diverso da uno a distorsione di
risposta
oda uno a distorsione di stimolo. Infatti
(vd. [2])
e il fattore entro
parentesi quadra
dàluogo
ad una matrice simmetrica(1:11’ e quindi
si ha un modello a distorsione dirisposta
deltipo (1.1).
Pertanto la
componente
asimmetrica èesprimibile completamente
tra-mite una funzione di y. Un
ragionamento perfettamente analogo
conducealla conclusione che un modello del
tipo (1.3)
è riconducibile anche adun modello del
tipo (1.2)
a distorsione di stimolo.1.6 Oss. I modelli
(1.1) q (1.2)
sonoequivalenti,
ma le loroparti
simmetriche hanno
significato
diverso. Tuttavia un alto valorex)
sulla
diagonale principale
indica che x è un suonochiaro,
che vieneconfuso raramente sia come stimolo che come
risposta,
mentre unvalore basso indica una confondibilità relativamente facile.
1.7 Oss. Entrambi i modelli forniscono sulla
diagonale principale
b(x) sxx.
Tuttavia il modello a distorsione dirisposta
èpiù
utile diquello
a distorsione di stimolo ai fini diquesta predizione. Infatti, sia,
in una matrice di
confusione,
In un modello adistorsione di
risposta
ciòpuò
esserepredetto
in uno deiseguenti
duemodi :
Ciò
significa
che zi sipresenta
comerisposta più frequentemente
chenon x2; segue
s{xl, xl)
>s(x2, x2)
equindi
ladisuguaglianza
nella matrice simmetrica è nello stesso verso delladisuguaglianza
nella matrice diconfusione;
oppurein tal caso, affinchè sia
dovrà essere a
maggior ragione
Pertanto la
disuguaglianza
nella matrice simmetrica va nello stessoverso di
quella
della matrice di confusione.Se invece il modello è a distorsione di
stimolo,
sia ancorap(xl, 0153~)
>>
p (x2 , $2);
ciòcomporta
che 0153~ è meno confondibile di x2 ;pertanto
sipuò
supporre che abbia valori bassi. Neseguirebbe
che8(0153~, x~)
è inversamente correlato con
1.8 DEF. Dicesi modello monotono
(o
nonmetrico)
ilprodotto
quando
vale laseguente implicazione:
Questo
modello effettua unapredizione
sulladisuguaglianza
tragli
ele-menti
p(x, y)
sotto le condizioni indicate in(1.8);
se una diqueste
nonè verificata il modello non effettua
predizioni.
La funzione di distorsioneb
può
essereinterpretata
sia come distorsione di stimolo che comedistorsione di
risposta: semplicemente gli
elementi x per iquali b(x)
è alto si sostituiscono spesso
agli elementi y
per iquali b(y)
è basso.Poichè il modello monotono non
prende
in considerazione ladiagonale principale,
non si pone ilproblema
considerato con il modello metricoa distorsione di stimolo.
Il modello metrico
può
sembrarepiù appropriato
diquello semplice-
mente
monotono,
e ingenerale
lo è. Ciò tuttavia non è vero per tuttigli
insiemi didati;
per alcuni infatti le funzioni b ed s fornite dal modello metrico possono rendere non validal’implicazione(1.8)
in un numeronon irrilevante di casi.
Goldstein
(1980, [2])
effettua un paragone tra i due modelli inseren- dovi i dati diWang
eBilger (1973, [3]),
esottopone
a verifical’ipotesi
che le confusioni siano correlate con la
frequenza (le frequenze
usateper i
singoli
fonemi sonoquelle
di Carterette e Jones[41
e di Roberts[5]).
Poichè la relazione tra
frequenza
e distorsione non sembralineare,
Gold-stein usa il c di Kendall evidenziando cos solo correlazioni tra
ranghi.
Tuttavia la correlazione tra le distorsioni e le
frequenze
lessicali nonsembra sempre
significativa;
sembra invecepotersi
concludere che mag-giore
è l’adattamento ai dati della funzione didistorsione, maggiore
èla correlazione della distorsione con la
frequenza.
Goldstein fornisceuna ulteriore
interpretazione
delladistorsione, ponendola
in relazionecon una non
meglio
definita « naturalezzaf onologica »
basandosi suuno studio di Ruhlen
(1975, [6]),
effettuato su 700linguaggi;
tuttavianon è sempre facile separare la « naturalezza
fonologica »
di certi feno- meni dallafrequenza
dei fonemi o deigruppi
di fonemi coinvolti. La conclusione è che la correlazione tra distorsione efrequenza può
esseresignificativa
nel caso delle consonanti occlusive enasali,
ma è moltodebole e poco
interpretabile negli
altri casi.2. Il modello additivo.
2.1 DEF. Dicesi modell o additivo per una matrice asimmetrica ~x~
la matrice
quando
8x1I è una matrice simmetrica.Le funzioni
a(x)
eb(y)
sono funzionidipendenti rispettivamente
dallo stimolo e dalla
risposta.
Questo
modello traduce ilprincipio
disovrapposizione
delle distor-sioni,
che ricalca ilprincipio
dellasovrapposizione degli
effetti in acu-stica.
Un’eflettiva
valutazione dell’attendibilità del modello è stataeffettuata,
ed i risultatisperimentali
sonoriportati nel §
4.3. Correlazione tra e la distanza fra fonemi.
3.1 Per
interpretare
da unpunto
di vista matematico la matrice che interviene nella definizione di un modelloadditivo,
in[7]
èstata
proposta l’ipotesi
che tale matrice sia correlata ad una distanza tra fonemi.L’ipotesi
appareparticolarmente plausibile
se la correla-zione è espressa
dall’equazione
dove
d(x, y)
è una funzione distanza tra i fonemi x e y.3.2 DEF. Una funzione ò : I X 1 ~ .1~ si dice dissimilarità se soddisfa alle
seguenti proprietà:
Altre
volte,
adesempio
in[8],
viene richiesta alla funzione dissimilarità anche laproprietà
di simmetriache tuttavia spesso non è soddisfatta in matrici
sperimentali,
e in par- ticolare non lo è in matrici di confusione.3.3 DEF. Data una matrice px" ed un
modello,
si dicesforzo
(o stress)
laquantità
3.4 Il
problema
dell’adattabilità del modello additivo sarà per- tanto unproblema
di minimizzazione dello sforzo. Ciòdipenderà
dallamatrice 8:efl, e
quindi,
se si fal’ipotesi
che sxy siaquella
definita in3.1,
dal
tipo
di distanzad(x, y).
In letteratura sono stati
proposti
varitipi
di distanza trafonemi;
aspetti
teorici emetodologici nell’interpretazione
di alcune diqueste
distanze si trovano in
[9].
In tale lavoro i fonemi sono consideratipunti
di unospazio
a ndimensioni,
dovegli
assi coordinati sono i trattiacustici,
oppure, in un caso, i tratti articolatori. Le distanze chequi prenderemo
in considerazione sono leseguenti.
3.4.1 Dette xi e Yi le i-esime coordinate dei fonemi x e y nello
spazio
dei trattiacustici,
risulta una distanza laseguente
funzioneTale distanza evidenzia soltanto differenze tra i fonemi sulle
singole coordinate,
considerando tutti i tratti acusticiegualmente importanti.
3.4.2
Essendo xi
e yi come in3.4.1,
e dettaf (a)
lafrequenza
dioccorrenza del
fonema a,
risulta una distanza laseguente
funzioneCalcoli delle
frequenze
di occorrenza dei vari fonemi nell’italiano par- lato sitrovano,
ad es. , in[10]
e in[11]; qui
sono stateusate,
seguen-do
[9], quelle riportate
in[10].
3.4.3 Un’altra
distanza,
discussa in[9], prende
lospunto
da unadistanza
proposta
in[12],
basata su trattiarticolatori;
vengonooperate
alcune
semplificazioni
e scelte diparametri
peradeguarla
ai fonemidella
lingua
italiana. Viene fissata apriori
unagerarchia
numeratada 1 a 4 tra
quattro
classidisgiunte
diparametri articolatori,
e unaulteriore
sottogerarchia
tra iparametri
all’interno di una stessa classe.Il numero di
parametri
varia da classe aclasse,
da un minimo di duea un massimo di
sei,
con numerazione cheparte
dallo zero. Sia la gerar- chia tra le classi diparametri
sia lesottogerarchie
all’interno di ciascuna classe hanno motivazionilinguistiche.
Il fonema è a sua volta individuato da un numero variabile di
parametri, appartenenti
a classi diverse o anche alla medesima classe.Indicata con L1 la differenza simmetrica tra
insiemi,
sia i l’indice dellaclasse dei
parametri
articolatori che contribuiscono a individuare ilfonema;
siaSi(x)
l’insieme deiparametri
della i-esima classe che indi- viduano x(con
le scelte di[9], Si(·)
è vuoto oppure costituito da un soloelemento);
sia la somma dei valori assoluti delle differenze tragli
ordinigerarchici
deiparametri
all’interno della classei-esima;
se unodegli
insiemiSj(y)
èvuoto,
si pone= 0. Posto ancora
la
seguente
funzione risulta una distanza suogni
asse coordinatoIl
primo
termine indica se i fonemi sonoindividuati,
nella classei-esima,
dallo stesso insieme di
parametri,
nelqual caso
taleprimo
termine ènullo;
se invece i due insiemi diparametri
nella classe i-esima sonodiversi,
ilprimo
termine indical’importanza gerarchica
della classe in cui si verifica tale diversità. Il secondo termine indica la differenza delnumero di elementi tra l’insieme di
parametri
individuante x nella i-esima classe equello individuante y
nella stessa classe. Nelle scelteoperate
in[9]
perl’adeguamento
deiparametri
ai fonemi dellalingua italiana,
se è è anche card =0,
mentre se è99,(x, y) = 1,
card(Si(x)dsi(y)) può
valere 1 o 2. Il terzo addendoindica
l’importanza gerarchica
all’interno della classe i-esimadegli
elementi sui
quali
differiscono i due fonemi. La distanzacomplessiva
risulta definita cos :
dove la sommatoria è effettuata sulle n classi di
parametri
articolatori(per
l’italiano la classificazione deiparametri
di[9]
ha n =4).
3.4.4 Un’altra distanza
d4(x, y)
èquella
ottenuta tramite 1’MDS(Multi-Dimensional Scaling),
introdotto da Kruskal(vd. [13], [14], [15]) .
Questa distanza
è ottenuta simmetrizzando le matrici di confusione(ad esempio ponendo
= aii =a;;),
equindi
costruendo una confi-gurazione
di fonemi in unospazio
a dimensione Ropportunamente predeterminata
le cuireciproche
distanze siano similiagli
elementidella matrice simmetrizzata.
Esistono vari studi su come si possono costruire tali
configurazioni,
e su
quale
sia il numero ottimale di dimensionidello spazio.
Ilprocedi-
mento di Kruskal consiste nel minimizzare lo sforzo tra la matrice delle distanze da costruire
[d4(x,
e la matrice simmetrizzata[p(x, y)]ii;
si tratta
pertanto
di minimizzareVari
algoritmi
di MDS si trovano in[8].
4.
Sviluppo
delmodello
additivo.4.1 Viene ora
proposta
una ulterioreipotesi
per una successivaapprossimazione
del modello additivo definito in 2.1.Supponiamo
chele funzioni
a(x)
eb(y)
checompaiono
in(2.1)
siano fortemente correlatecon le
rispettive frequenze
di x e di y. La correlazionepiù semplice
èla
proporzionalità (diretta
oinversa). È plausibile
che laprobabilità
di fraintendimento dello stimolo x sia inversamente
proporzionale
allasua
frequenza f (x),
mentre d’altraparte
èplausibile
che laprobabilità
di credere di aver
sentito y
siaproporzionale
allafrequenza f(y)
di y.Pertanto viene
proposto
ilseguente
modellodove
y)
è una delle distanze considerate nel§
3. Si calcoladap- prima quale
distanza minimizza lo sforzo avendoposto
ottenendo
quindi
anche lamigliore parte
simmetrica delmodello;
unasemplificazione
che noncomporta
modifiche teoriche essenziali si haponendo k1=1.
Il calcolodi k2 e
dik3
in(4.1)
si ottiene successiva- mente con unaregressione.
4.2 Il
computo
è stato effettuato su 18 matrici di confusione che costituivano tregruppi
da 6 matrici ciascuno. Ilprimo
gruppo era costituito da matrici di confusione costruite ciascuna come media dellerisposte
di 24 ascoltatori in situazioni di ascolto disturbato da rumore(vd. [16]) :
le sei condizioni di disturbo erano con iseguenti rapporti segnale/rumore (S/ R)
in decibel:20; 15; 5; 0;
- 5.È
stataquindi
effettuata la media aritmetica diqueste
6 matricimedie,
costituendo cos un’unica matricep (x, y) .
Ponendosono
poi
state calcolate lesingole
matrici simmetriches(x, y)
di(4.2),
una per ciascuna delle distanze
y) presentate
in 3.4. Per la distanzad4,
la motivazione che rendegiustificato
.R = 5 come numero di dimen- sioni dellaconfigurazione
è dettata dal fatto chequel
numero di dimen-sioni
permette
di dareun’interpretazione
acustica deicinque
assi coor-dinati ;
vd.[17].
Il
computo
ha fornito pergli
sforzi i risultatiriportati
in Tab. I.Lo sforzo risulta
pertanto
minimoprendendo
come distanza lad2,
maha un valore vicinissimo al minimo anche considerando
d3.
Il risultatoè di notevole
importanza, perchè
indical’equivalenza
difatto,
ai finidel
modello,
tra una valutazione di distanza basata su trattiacustici,
cioè su caratteristiche della
percezione
delfonema,
e una valutazione basata su trattiarticolatori,
cioè su caratteristiche diproduzione
delfonema stesso. Si noti che invece le distanze teoriche calcolate nei due modi erano
piuttosto
diverse(vd. [9],
tabelle 6 e5).
Si
può
invece notare che la distanzad,
definita in 3.4.4 dà unosforzo ben
più
marcato. Ciò segue dal fatto che la distanza ottenuta tramite 1’MDS opera una simmetrizzazione apriori,
che risultaquindi
arbitraria. Per il trattamento ulteriore del modello è stata assunta la
d2 .
4.3 Sono stati
quindi
calcolati icoefficienti k2
ek3
della(4.1)
tramiteuna
regressione lineare;
è risultato4.4
È
stata effettuata unaindagine più approfondita
nelle varie condizioni di rumore citate in4.2,
per lo studio della variazione dello sforzo e deicoefficienti k1
ek2
al variare del rumore. I risultati sononella Tab. II.
é-3
s
Q
b a>
H -!tO
0
0.
1.3
a>
r
C0
e!
2
9 ar
c
!
N.
a
CO
5*
í-3
DD
SZI
t2013t
N.
i
I 1 ,I
/ N.
C0
C0
O
O
N.
?
H
N.
§ 0
NH
N
N.
N
N.§’
§Ì$
)2013
g
%
N.
CO
ä
«
~
o
o
O
;s#
N.
#o
«
Ì Ì
% s
H
o
# o Cb
«
Si noti come, eccezion fatta per la situazione in ultima
colonna,
dove il mascheramento rumoroso supera in intensità il
segnale,
lo sforzocresce; anche
k2
cresce, ma rimane sempre molto vicino allo zero; inveceks
decresce. Il rumorepertanto
rende semprepiù
asimmetriche le ma-trici,
oltreche,
come era facilmenteintuibile,
aumentare ladispersione
dei dati attorno alla
diagonale principale.
Ciòsignifica che,
anche tra inormoacusici,
l’asimmetria ha unsignificato
ed un pesopreciso,
equindi
nonpuò
essere eliminata con unasemplice
media aritmetica.4.5 Gli studi
su segnali
mascherati da rumore hannogeneralmente
interesse per i normoacusici. Altro
tipo
di interesse nasce in vista delleterapie
per coloro che hanno difetti diudito,
come adesempio
coloroche non odono suoni al di sopra o al di sotto di certe
frequenze.
Ancheper
questo tipo
di difetti sono state studiate le matrici di confusione.In
particolare
sono state prese in considerazione sei situazioni difiltrag- gio passa-alto (PA)
e sei situazioni difiltraggio passa-basso (PB)
(vd. [16]).
Unaapplicazione
aqueste
situazioni del modelloproposto
in 4.1 con
ki
= 1 haportato
ai risultati raccolti nella Tab. III per il caso PA e nella Tab. IV per il caso PB.Dall’esame della Tab. III si nota come il modello si adatti senza
praticamente
risentire deltaglio
delle bassefrequenze:
lo sforzo è semprepraticamente
costante e assai minore che nelle situazioni di mascheramento conrumore; k2
continua ad essereinsignificante, k,
ha
qualche
oscillazione unpo’ più
marcata.Il
taglio
delle altefrequenze
ha unamaggiore
incidenza sul modello che non iltaglio
dellebasse; k2 è
semprepraticamente
nullo.Alcuni interessanti commenti sulla
maggiore
o minoreintelligibilità
per le consonanti dell’italiano in relazione alle loro caratteristiche acustiche e basate sulle matrici di confusione si trovano in
[18].
5.
Conclusioni.
La
dipendenza
dia(x)
eb(y)
dallerispettive frequenze
secondo ilmodello
qui proposto
è soddisfacente soltanto perquanto riguarda b(y).
La funzionea(x)
è sempre pocosignificativa;
viceversab(y)
hauna buona correlazione con la
frequenza di y,
e tale correlazione cresceal crescere del rumore. Nel caso di situazioni con
filtraggio,
il modellosi adatta
meglio
alfiltraggio passa-alto.
BIBLIOGRAFIA
[1]
E. W. HOLMAN, Monotonic Modelsfor Asymmetrie
Proximities, Journ.Math.
Psyeh.,
20 (1979), pp. 1-15.[2]
L. GOLDSTEIN, Bias andAsymmetry in Speech Perception,
in V. FROM-KIN
(ed.),
Errors inlinguistic performance,
Academic Press, N. Y. (1980), pp. 241-261.[3]
M. D. WANG - R. C. BILGER, ConsonantConfusion in
Noise: aStudy of Perceptual
Features, JASA,54,
pp. 1248-1266.[4] E. C. CARTERETTE - M. H. JONES,
Informal Speech,
Univ. Calif. Press, LosAngeles
(1974).[5] A. M. ROBERTS, A Statistical
Linguistic Analysis of
AmericanEnglish,
Mouton, TheHague (1965).
[6] M. RUHLEN, A Guide to the
Languages of
the World, Stanford, Palo Alto(1975).
[7] U. BORTOLINI - C. MINNAJA - G. PINI - G. ZILLI, Bvaluation
of Asym- metry in Similarity
Matrices, Proc. IY F.A.S.E.Symposium
on Acousticsand
Speech,
ESA, Roma(1981).
[8] G. PINI, - G. ZILLI
Algoritmi di scaling
multidimensionale conprogrammi
orientati a
mini-computer,
IAC-CNA,Monografie di
Software Matematico,n. 14 (1983).
[9] U. BORTOLINI - C. MINNAJA - L. PACCAGNELLA,
Aspetti
teorici e meto-dologici
della nozione di distanza, in AA. VV.,Linguaggi
eformalizzazioni, Bulzoni,
Roma (1979), pp. 151-171.[10]
R. BUSA - C. CROATTO-MARTINOLLI - L. CROATTO - C. TAGLIAVINI - A. ZAMPOLLI, Una ricerca statistica sullacomposizione fonologica
dellalingua
italianaparlata eseguita
con un sistema IBM a schedeperforate,
Proc. XII Int.
Speech
and VoiceTherapy
Conference, Padova(1973),
pp. 542-562.
[11]
U. BORTOLINI - F. DEGAN - C. MINNAJA - L. G. PACCAGNELLA - G. ZILLI, Statisticsfor
a Stochastic Modelof Spoken
Italian, Proc. XII Int.Congr.
Ling.,
Wien(1977),
pp. 580-586.[12] G. E. PETERSON - F. HARARY,
Foundations of
PhonemicTheory,
Proc.Symp. Appl.
Math., 12(1961),
pp. 139-165.[13]
J. B. KRUSEAL, MultidimensionalScaling by Optimizing
Goodnessof
Fitto a Nonmetrio
Hypothesis, Psychometrika,
29 (2)(1964),
pp. 1-27.[14]
J. B. KRUSKAL, MultidimensionalScaling
and Other Methodsfor
Dis-covering
Struoture, in K. ENSLEIN - A. RALSTON - H. S. WILF, Statistical Methodsfor Digital Computers,
Vol. III,Wiley,
New York(1977).
[15]
J. B. KRUSKAL, Nonmetric MultidimensionalScaling:
A Numerical Method,Psychometrika,
29 (2)(1964),
pp. 115-129.[16] E. MAGNO-CALDOGNETTO - F. E. FERREO - K. VAGGES, Un test di con-
fusione
tra le consonanti dell’italiano:primi
risultati,C.N.R., Quad.
Centro Studio Ric.
Fonetica,
I(1982),
pp. 238-296.[16]
U. BORTOLINI - G. PINI - G. ZILLI - F. E.FERRERO,
Dimensionof
Pex-ception for
Italian Consonants: MultidimensionalAnalysis,
C.N.R.,Quad.
Centro Studio Ric. Fonetica, I
(1982),
pp. 77-90.[18] E. MAGNO-CALDOGNETTO - F. E. FERRERO - K. VAGGES - D. DOMENGHINI,
Intelligibilità
delle consonanti dell’italiano in condizioni di mascheramento(S/R),
difiltraggio passa-alto (PA)
epassa-basso (PB),
Il Valsalva, Boll.It. Audiol. Foniatr., IV
(1982),
pp. 163-172.Manoscritto pervenuto in redazione il 3 novembre 1983.