数据采集与处理
數據採集與處理
수거채집여처리
JOURNAL OF DATA ACQUISITION & PROCESSING
2007年
1期
8-13
,共6页
语音识别%无监督自适应%最大似然线性回归%词网%后验概率
語音識彆%無鑑督自適應%最大似然線性迴歸%詞網%後驗概率
어음식별%무감독자괄응%최대사연선성회귀%사망%후험개솔
介绍了一种基于词网的最大似然线性回归(Lattice-MLLR)无监督自适应算法,并进行了改进.Lattice-MLLR是根据解码得到的词网估计MLLR变换参数,词网的潜在误识率远小于识别结果,因此可以使参数估计更为准确.Lattice-MLLR的一个很大缺点是计算量极大,较难实用,对此本文提出了两个改进技术:(1)利用后验概率压缩词网;(2)利用单词的时间信息限制状态统计量的计算范围.实验测定Lattice-MLLR的误识率比传统MLLR相对下降了3.5%,改进技术使Lattice-MLLR计算量下降幅度超过了87.9%.
介紹瞭一種基于詞網的最大似然線性迴歸(Lattice-MLLR)無鑑督自適應算法,併進行瞭改進.Lattice-MLLR是根據解碼得到的詞網估計MLLR變換參數,詞網的潛在誤識率遠小于識彆結果,因此可以使參數估計更為準確.Lattice-MLLR的一箇很大缺點是計算量極大,較難實用,對此本文提齣瞭兩箇改進技術:(1)利用後驗概率壓縮詞網;(2)利用單詞的時間信息限製狀態統計量的計算範圍.實驗測定Lattice-MLLR的誤識率比傳統MLLR相對下降瞭3.5%,改進技術使Lattice-MLLR計算量下降幅度超過瞭87.9%.
개소료일충기우사망적최대사연선성회귀(Lattice-MLLR)무감독자괄응산법,병진행료개진.Lattice-MLLR시근거해마득도적사망고계MLLR변환삼수,사망적잠재오식솔원소우식별결과,인차가이사삼수고계경위준학.Lattice-MLLR적일개흔대결점시계산량겁대,교난실용,대차본문제출료량개개진기술:(1)이용후험개솔압축사망;(2)이용단사적시간신식한제상태통계량적계산범위.실험측정Lattice-MLLR적오식솔비전통MLLR상대하강료3.5%,개진기술사Lattice-MLLR계산량하강폭도초과료87.9%.
