بهسازی گفتار یکی از پرکاربردترین حوزه ها در زمینه پردازش گفتار می باشد. در این مقاله، یکی از روش های بهسازی گفتار مبتنی بر اصول بازنمایی تنک بررسی می گردد. بازنمایی تنک این امکان را فراهم می سازد که عمده اطلاعات لازم برای بازنمایی سیگنال ، براساس بعد بسیار کمتری از پایه های فضایی اصلی قابل مدل سازی باشد. روش یادگیری در این مقاله براساس تصحیح الگوریتم تطبیقی حریصانه مبتنی بر داده خواهد بود که واژه نامه در آن، بطور مستقیم از روی سیگنال داده و براساس شاخص تنکی مبتنی بر نُرم به منظور تطابق بیشتر میان اتم ها و ساختار داده آموزش می بیند. در این مقاله شاخص تنکی جدیدی براساس معیار جینی پیشنهاد می گردد. همچنین محدوده پارامتر تنکی بخش های نویزی با توجه به فریم های ابتدایی گفتار تعیین و طی یک روال پیشنهادی در تشکیل واژه نامه مورد استفاده قرار می گیرد. نتایج بهسازی نشان می دهد که عملکرد روش پیشنهادی در انتخاب فریم های داده براساس معیار معرفی شده در شرایط نویزی مختلف بهتر از شاخص تنکی مبتنی بر نُرم و سایر الگوریتم های پایه در این راستا می باشد.
