期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于GMM和二分类特征筛选的多级音频分类方法
1
作者
高前勇
戴蓓蒨
许东星
《中国科学技术大学学报》
CAS
CSCD
北大核心
2007年第12期1466-1471,共6页
采用同一种特征参数——Mel倒谱系数及其动态参数区分纯语音、带背景语音、乐器音、歌声和环境音.根据该特征参数的特点以及各类音频之间的差异,给出了一种区分性模型训练和特征筛选相结合的多级二分类音频分类方法,即为各级建立GMM(Gau...
采用同一种特征参数——Mel倒谱系数及其动态参数区分纯语音、带背景语音、乐器音、歌声和环境音.根据该特征参数的特点以及各类音频之间的差异,给出了一种区分性模型训练和特征筛选相结合的多级二分类音频分类方法,即为各级建立GMM(Gaussian mixture model)模型的同时挑选出使当前模型区分程度达到最大的特征子集.对长约2 h的音频数据集的测试结果表明,该方法相对于特征筛选前的分类系统,平均误识率下降了约23.5%,且各二分类子系统的特征维数也有明显地减少.
展开更多
关键词
音频分类
Mel倒谱系数及其动态参数
区分性模型训练
特征筛选
多级二分类方法
在线阅读
下载PDF
职称材料
基于GMM的算法在语音检出系统中的应用研究
2
作者
乔立升
赵永忠
+1 位作者
吴韬
沈军
《现代电子技术》
北大核心
2015年第13期59-62,共4页
高斯混合模型(GMM)由于通过改变高斯的混合度,能够逼近任意概率分布,所以在语音识别领域应用广泛。对高斯混合模型的训练,常见的训练方法是最大似然估计(MLE),这种训练方法能最大程度拟合所有样本的分布,但没有考虑模型之间的相互影响,...
高斯混合模型(GMM)由于通过改变高斯的混合度,能够逼近任意概率分布,所以在语音识别领域应用广泛。对高斯混合模型的训练,常见的训练方法是最大似然估计(MLE),这种训练方法能最大程度拟合所有样本的分布,但没有考虑模型之间的相互影响,导致识别过程会出现混淆情况;区分性模型训练算法,适合应用于大数据量复杂组合类别的区分问题。这里提出采用的区分性模型训练方法,其原则是最小化分类错误风险,通过更精确细致地刻画不同模型之间的分类面,提升识别的效果。实验结果表明,该训练方法比最大似然估计的训练方法在多类别语音检出任务中具有更好的识别效果。
展开更多
关键词
高斯混合
模型
最大似然估计
区分性模型训练
语音检出
在线阅读
下载PDF
职称材料
题名
基于GMM和二分类特征筛选的多级音频分类方法
1
作者
高前勇
戴蓓蒨
许东星
机构
中国科学技术大学电子科学与技术系语音信号和信息处理实验室
出处
《中国科学技术大学学报》
CAS
CSCD
北大核心
2007年第12期1466-1471,共6页
文摘
采用同一种特征参数——Mel倒谱系数及其动态参数区分纯语音、带背景语音、乐器音、歌声和环境音.根据该特征参数的特点以及各类音频之间的差异,给出了一种区分性模型训练和特征筛选相结合的多级二分类音频分类方法,即为各级建立GMM(Gaussian mixture model)模型的同时挑选出使当前模型区分程度达到最大的特征子集.对长约2 h的音频数据集的测试结果表明,该方法相对于特征筛选前的分类系统,平均误识率下降了约23.5%,且各二分类子系统的特征维数也有明显地减少.
关键词
音频分类
Mel倒谱系数及其动态参数
区分性模型训练
特征筛选
多级二分类方法
Keywords
audio classification
MFCC and its dynamics
discriminative model training
feature filtration
hierarchical discrimination
分类号
TN912 [电子电信—通信与信息系统]
在线阅读
下载PDF
职称材料
题名
基于GMM的算法在语音检出系统中的应用研究
2
作者
乔立升
赵永忠
吴韬
沈军
机构
中国人民解放军
出处
《现代电子技术》
北大核心
2015年第13期59-62,共4页
文摘
高斯混合模型(GMM)由于通过改变高斯的混合度,能够逼近任意概率分布,所以在语音识别领域应用广泛。对高斯混合模型的训练,常见的训练方法是最大似然估计(MLE),这种训练方法能最大程度拟合所有样本的分布,但没有考虑模型之间的相互影响,导致识别过程会出现混淆情况;区分性模型训练算法,适合应用于大数据量复杂组合类别的区分问题。这里提出采用的区分性模型训练方法,其原则是最小化分类错误风险,通过更精确细致地刻画不同模型之间的分类面,提升识别的效果。实验结果表明,该训练方法比最大似然估计的训练方法在多类别语音检出任务中具有更好的识别效果。
关键词
高斯混合
模型
最大似然估计
区分性模型训练
语音检出
Keywords
GMM
MLE
discriminative model training
voice detection
分类号
TN912.3 [电子电信—通信与信息系统]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于GMM和二分类特征筛选的多级音频分类方法
高前勇
戴蓓蒨
许东星
《中国科学技术大学学报》
CAS
CSCD
北大核心
2007
0
在线阅读
下载PDF
职称材料
2
基于GMM的算法在语音检出系统中的应用研究
乔立升
赵永忠
吴韬
沈军
《现代电子技术》
北大核心
2015
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
