计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2000年
12期
70-71,91
,共3页
支撑向量机%向量量化%高斯混合模型%说话人确认%说话人识别
支撐嚮量機%嚮量量化%高斯混閤模型%說話人確認%說話人識彆
지탱향량궤%향량양화%고사혼합모형%설화인학인%설화인식별
支撑向量机(SVM)是一种新的统计学习方法,和以往的学习方法不同的是SVM的学习原则是使结构风险(Structural Risk)最小,而经典的学习方法遵循经验风险(Empirical Risk)最小原则,这使得SVM具有较好的总体性能.文章提出一种基于支撑向量机的文本无关的说话人确认系统,实验表明同基于向量量化(VQ)和高斯混合模式(GMM)的经典方法相比,基于SVM的方法具有更高的区分力和更好的总体性能.
支撐嚮量機(SVM)是一種新的統計學習方法,和以往的學習方法不同的是SVM的學習原則是使結構風險(Structural Risk)最小,而經典的學習方法遵循經驗風險(Empirical Risk)最小原則,這使得SVM具有較好的總體性能.文章提齣一種基于支撐嚮量機的文本無關的說話人確認繫統,實驗錶明同基于嚮量量化(VQ)和高斯混閤模式(GMM)的經典方法相比,基于SVM的方法具有更高的區分力和更好的總體性能.
지탱향량궤(SVM)시일충신적통계학습방법,화이왕적학습방법불동적시SVM적학습원칙시사결구풍험(Structural Risk)최소,이경전적학습방법준순경험풍험(Empirical Risk)최소원칙,저사득SVM구유교호적총체성능.문장제출일충기우지탱향량궤적문본무관적설화인학인계통,실험표명동기우향량양화(VQ)화고사혼합모식(GMM)적경전방법상비,기우SVM적방법구유경고적구분력화경호적총체성능.
