A Gaussian Mixture Model Training Optimization Method for Text Independent Speaker Verification
محل انتشار: یازدهمین کنفرانس سالانه انجمن کامپیوتر ایران
سال انتشار: 1384
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,495
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ACCSI11_213
تاریخ نمایه سازی: 5 آذر 1390
چکیده مقاله:
Training of high order Gaussian mixture models (GMM) on large dataset in one stage requires considerable amount of processing power and storage requirement which may not be either feasible or available in many cases. While training of such GMMs in several stages reduces the computational and memory costs; this normally results in a sub-optimum GMM compared to the one which entirely is trained in a single stage. In this paper a new method for optimization of the multi-stage trained GMMs is proposed in the context of speaker verification framework. Experimental results show that the optimized GMMs trained by incorporation of the proposed algorithm improves the performance of the GMM based speaker verification system.
کلیدواژه ها:
نویسندگان
H. R. Sadegh Mohammadi
Iranian Research Institute for Electrical Eng., P. O. Box ۱۶۷۶۵-۱۸۹۹,Tehran, Iran
R. Saeidi
Electrical Engineering Department, Iran University of Science and Technology,Narmak, Tehran, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :