کامپیوتر 54. تعیین هویت مخاطب مستقل از متن کارآمد از طریق مدل ترکیبی ساختاری گاوس و شبکه های عصبی
طبقه بندی گاوس , شبکه عصبی , تعیین هویت مخاطب , مدل ترکیبی گاوس , مدل ترکیبی ساختاری گاوس , SGMM , SBM , مدل ساختاری پیشینه , NIST , SGMM-SBM , مقاله انگلیسی کامپیوتر با ترجمه فارسی , مقاله انگلیسی کامپیوتر با ترجمه , مقاله انگلیسی کامپیوتر , Efficient Text-Independent Speaker Verification , Structural Gaussian Mixture Models , Neural Network
تعیین هویت مخاطب مستقل از متن کارآمد از طریق مدل ترکیبی ساختاری گاوس و شبکه های عصبی
چکیده
چکیده ما سیستم مرکبی را در ارتباط با مدل ترکیبی گاوس SGMM و شبکه های عصبی برای دستیابی به راندمان محاسباتی و صحت بالا در ارتباط با تعیین هویت مخاطب ارائه می دهیم یک مدل ساختاری پیشینه SBM در ابتدا از طریق طبقه بندی زنجیره ای تمام اجزای ترکیبی گاوس در ارتباط با این مدل ایجاد می گردد به این ترتیب یک فضای صوتی به مناطق متنوع در سطوح مختلف و متنوع بخش بندی می گردد در ارتباط با هر یک از این اهداف مدل SGMM از طریق فرایندهای چند سطحی MAP از طریق SBM ایجاد می گردد در هنگام تست تنها شاخه هایی از اجزای ترکیبی گاوس در ارتباط با این ویژگی ها مورد محاسبه قرار می گیرند تا هزینه های محاسباتی را به طور قابل توجهی کمتر کنند علاوه بر این موارد مورد محاسبه شده در لایه های مدل درختی مختلف و متنوع برای تصمیم گیری نهایی با شبکه های عصبی ترکیب می گردند پیکره بندی های متفاوتی در ارتباط با این بررسی ها بر روی اطلاعات حاصل از گفتگوهای تلفنی مورد استفاده در ارزیابی NIST انجام می گیرد نتایج حاصل از این بررسی ها نشان می دهد که کاهش محاسباتی با استفاده از فاکتور 17 از طریق 5 درصد کاهش نسبی در نرخ اشتباهات در مقایسه با خطوط اصلی مد نظر قرار می گیرد nbsp روش SGMM SBM مزایایی را در ارتباط با آمیزش GMM نشان می دهد که شامل سرعت بالاتر و عملکردهای بهتر می باشد
عبارات کلیدی nbsp طبقه بندی گاوس شبکه عصبی تعیین هویت مخاطب مدل ترکیبی گاوس
خرید و دانلود محصول
1394/09/13
طبقه بندی گاوس , شبکه عصبی , تعیین هویت مخاطب , مدل ترکیبی گاوس , مدل ترکیبی ساختاری گاوس , SGMM , SBM , مدل ساختاری پیشینه , NIST , SGMM-SBM , مقاله انگلیسی کامپیوتر با ترجمه فارسی , مقاله انگلیسی کامپیوتر با ترجمه , مقاله انگلیسی کامپیوتر , Efficient Text-Independent Speaker Verification , Structural Gaussian Mixture Models , Neural Network
لینک محصول
http://file-niko.zepo.ir/post/25148
l