CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

بهبود روش تطبیق گوینده MLLR در بازشناسی گفتار غیر وابسته با کمک خطای کمینه کلاس بندی

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۷۵۵ | نظرات: ۰
سرفصل ارائه مقاله: سیستمهای هوشمند و محاسبات نرم
سال انتشار: ۱۳۸۸
نوع ارائه: شفاهی
کد COI مقاله: CSICC15_251
زبان مقاله: فارسی
حجم فایل: ۲۹۹.۳۵ کیلوبایت (فایل این مقاله در ۷ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۷ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳۰,۰۰۰ ریال بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۷ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بهبود روش تطبیق گوینده MLLR در بازشناسی گفتار غیر وابسته با کمک خطای کمینه کلاس بندی

  رضا صحرائیان - دانشکده مهندسی برق - دانشگاه علم و صنعت ایران
  بهزاد زمانی - دانشکده مهندسی کامپیوتر - دانشگاه علم و صنعت ایران
  احمد اکبری - دانشکده مهندسی کامپیوتر - دانشگاه علم و صنعت ایران
  احمد آبت الهی - دانشکده مهندسی برق - دانشگاه علم و صنعت ایران

چکیده مقاله:

روش بیشینه همسانی با رگرسیون خطی (MLLR) به عنوان یکی از شناخته شده ترین روشهای تطبیق گوینده است که در دادگان تطبیقی کم با خوشه بندی پارامترهای مدل و تخمین ماتریس تبدیلبرای هر خوشه باعث بهبود عملکرد تطبیق میشود در این مقاله سعی شده است که با استفاده از روش متمایز ساز خطای کمینه ردهبندی با متمایز کردن ویژگیهای سیگنال گفتار این مشکل را برطرف کرده، عملکرد تطبیق را بهبود دهیم. بکارگیری متمایز ساز خطای کمینه رده بندی ضعف روش MLLR د رخوشه بندی را برطرف کرده و یک خوشه بندی یکنواخت ایجاد میکند. بر اساس آزمایشات انجام گرفته برروی دادگان WSJO,TIMIT و نتایج بدست آمده روش پیشنهادی یعنی بکارگیری خطای کمینه رده بندی نسبت به روشهای معادل بدون خطای کمینه ردهبندی باعث افزایش 0.49 تا 0.62 درصد در نرخ بازشناسی واج بر TIMIT و 0.12 تا 0.72 درصد افزایش نسبی درنرخ بازشناسی واج بر دادگان WSJO شده است.

کلیدواژه‌ها:

تطبیق گوینده،کمترین خطای رده بندی، بیشینه همسانی با رگرسیون خطی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-CSICC15-CSICC15_251.html
کد COI مقاله: CSICC15_251

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
صحرائیان, رضا؛ بهزاد زمانی؛ احمد اکبری و احمد آبت الهی، ۱۳۸۸، بهبود روش تطبیق گوینده MLLR در بازشناسی گفتار غیر وابسته با کمک خطای کمینه کلاس بندی، پانزدهمین کنفرانس بین المللی سالانه انجمن کامپیوتر ایران، تهران، انجمن کامپیوتر، مرکز توسعه فناوری نیرو، https://www.civilica.com/Paper-CSICC15-CSICC15_251.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (صحرائیان, رضا؛ بهزاد زمانی؛ احمد اکبری و احمد آبت الهی، ۱۳۸۸)
برای بار دوم به بعد: (صحرائیان؛ زمانی؛ اکبری و آبت الهی، ۱۳۸۸)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • C. J. Leggetter and P. C. Woodland, "Maximum likelihood linear ...
  • M. J. F. Gales, _ generation and uSe of regression ...
  • T. Anastasakos, . McDonough, J., Makhoul, "Speaker adaptive training: _ ...
  • A. Stolcke, L. Ferrer, S. Kajarekar, E. Shriberg, A. Venkataraman, ...
  • C.-H. Lin, C.-H. Wu, and P.-C. Chang, "A study on ...
  • K. Laurila, M. Vasilache and O.Viikki, _ combination of discriminative ...
  • adaptation of MCE-trained Supervisedء [8] J. Wu, Q. Huo, CDHMMs ...
  • B. Zhang, and S., Matsoukas, Minimum phoneme error based heteroscedastc ...
  • speech recognition. _ of/CASSR, vol. 1, pp. 925- 928, 2005. ...
  • B. H., Juang, W. Chou and C.H., Lee, 1997. Minimum ...
  • M., Loog, R. P.W., Duin, Linear Dimensionality Reduction via a ...
  • J. Hung and L. S. Lee, Data-driven temporal filters for ...
  • X. Wang and K. K., Paliwal, Feature extraction and their ...
  • applications in vowel recognition. Patterr Recognition, vol. 36, pp. 2429-2439, ...
  • Jonathan E. Hamaker, MLLR: A Speaker Adaptation Technique for LVCSR, ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۱۷۶۰۶
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.