ارائه مدلی هایبرید متشکل از کوانتیزاسیون برداری و ماشین برداری پشتیبان جهت شناسائی اتوماتیک زبان گوینده
Publish place: 9th Annual Conference of Computer Society of Iran
Publish Year: 1382
Type: Conference paper
Language: Persian
View: 2,340
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
ACCSI09_068
Index date: 24 January 2008
ارائه مدلی هایبرید متشکل از کوانتیزاسیون برداری و ماشین برداری پشتیبان جهت شناسائی اتوماتیک زبان گوینده abstract
ماشین بردار پشتیبان یا SVM رویکرد جدیدی به روشهای یادگیری می باشد. هدف اصلی در SVM یافتن ابر صفحه ایمی باشد، که داده های چند بعدی را به دو کلاس مختلف تقسیم کند. در این کار تحقیقی قصد استفاده از SVM برای شناسایی نوع زبان گوینده را داریم، در سیستم ارائه شده از تکنیک کوانتیزاسیون برداری یا VQ به منظور کاستن تعداد نمونه های آموزشی و در نتیجه کاهش زمان آموزش سیستم استفاده شده است. در آزمایشات انجام شده تاثیر میزان داده اموزشی، میزان داده تست، نوع ویژگی و نوع تابع هسته مورداستفاده در SVM بررسی شده است. با توجه به نتایج بدست آمده می توان گفت، استفاده از VQ قبل از کلاسبندی نمونه های آموزشی در عین حال که زمان آموزش سیستم را به شدت کاهش می دهد، کارایی سیستم را نیز حفظ می کند. با توجه به نتایج بدست آمده با استفاده از ضرایب ویژگی MFCC و مشتقات آن به همراه دسته بندی کننده SVM با تابع هسته گوسی می توان به راندمانی در حدود 95/38% برای شناسایی نوع زبان گوینده دست یافت.
ارائه مدلی هایبرید متشکل از کوانتیزاسیون برداری و ماشین برداری پشتیبان جهت شناسائی اتوماتیک زبان گوینده Keywords:
ارائه مدلی هایبرید متشکل از کوانتیزاسیون برداری و ماشین برداری پشتیبان جهت شناسائی اتوماتیک زبان گوینده authors
محمدمهدی همایون پور
آزمایشگاه سیستمهای هوشمند صوتی - گفتاری، دانشکده مهندسی کامپیوتر و ف
مجید رئیسی دهکردی
آزمایشگاه سیستمهای هوشمند صوتی - گفتاری، دانشکده مهندسی کامپیوتر و ف
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :