Confidence Measure Improvement Using Useful Predictor Features and Support Vector Machines
محل انتشار: بیستمین کنفرانس مهندسی برق ایران
سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,399
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:
ICEE20_162
تاریخ نمایه سازی: 14 مرداد 1391
چکیده مقاله:
In traditional keyword spotting (KWS) systems,confidence measure (CM) of each keyword is computed from normalized acoustic likelihoods. In addition to likelihood basedscores, some keyword dependent features named predictor features such as duration and prosodic features could be definedto improve the performance of CM. In this paper a discriminative and probabilistic computation of CM based upon some useful predictor features and support vector machines(SVM) is presented for Persian conversational telephone speech KWS. Our experimental results show that higher performancewill be achieved by appending utilized predictor features. The proposed CM with linear kernel function of SVM is obtained an improvement about 8.6% in Figure-of-Merit (FOM) of KWS system
کلیدواژه ها:
نویسندگان
Yasser Shekofteh
Research Center for Intelligent Signal Processing (RCISP), Tehran, Iran