计算机科学
計算機科學
계산궤과학
COMPUTER SCIENCE
2013年
10期
257-260
,共4页
语种识别%核Fisher判别%分类器融合%SVM%GMM-MMI
語種識彆%覈Fisher判彆%分類器融閤%SVM%GMM-MMI
어충식별%핵Fisher판별%분류기융합%SVM%GMM-MMI
Language recognition%Kernel fisher discriminant%Classifier fusion%SVM%GMM-MMI
GMM与SVM的建模和识别性能具有较好的互补性,因此GMM-SVM在语种识别中得到广泛使用,以其为基础的GMM-MMI-SVM已成为语种识别的主流研究方法.但是SVM在判别时仅仅使用了训练样本中的一些特殊样本即支持向量,并没有使用全部样本,从而影响了系统识别性能的进一步提高.针对上述问题,提出一种基于核Fisher判别的分类算法-GMM-MMI-KFD.该算法的核心思想是用核Fisher准则(KFD)替代SVM分类准则,从语音片段中提取出特征向量序列,分别通过GMM-MMI分类器与GMM-KFD分类器进行判决打分.相对SVM,KFD更注重语音数据非线性分布的特点,并且将样本向高维空间H上投影后可以最大限度地增大类间距,减小类内距.实验数据表明,GMM-MMI-KFD方法在语种识别中具有更高的识别率.
GMM與SVM的建模和識彆性能具有較好的互補性,因此GMM-SVM在語種識彆中得到廣汎使用,以其為基礎的GMM-MMI-SVM已成為語種識彆的主流研究方法.但是SVM在判彆時僅僅使用瞭訓練樣本中的一些特殊樣本即支持嚮量,併沒有使用全部樣本,從而影響瞭繫統識彆性能的進一步提高.針對上述問題,提齣一種基于覈Fisher判彆的分類算法-GMM-MMI-KFD.該算法的覈心思想是用覈Fisher準則(KFD)替代SVM分類準則,從語音片段中提取齣特徵嚮量序列,分彆通過GMM-MMI分類器與GMM-KFD分類器進行判決打分.相對SVM,KFD更註重語音數據非線性分佈的特點,併且將樣本嚮高維空間H上投影後可以最大限度地增大類間距,減小類內距.實驗數據錶明,GMM-MMI-KFD方法在語種識彆中具有更高的識彆率.
GMM여SVM적건모화식별성능구유교호적호보성,인차GMM-SVM재어충식별중득도엄범사용,이기위기출적GMM-MMI-SVM이성위어충식별적주류연구방법.단시SVM재판별시부부사용료훈련양본중적일사특수양본즉지지향량,병몰유사용전부양본,종이영향료계통식별성능적진일보제고.침대상술문제,제출일충기우핵Fisher판별적분류산법-GMM-MMI-KFD.해산법적핵심사상시용핵Fisher준칙(KFD)체대SVM분류준칙,종어음편단중제취출특정향량서렬,분별통과GMM-MMI분류기여GMM-KFD분류기진행판결타분.상대SVM,KFD경주중어음수거비선성분포적특점,병차장양본향고유공간H상투영후가이최대한도지증대류간거,감소류내거.실험수거표명,GMM-MMI-KFD방법재어충식별중구유경고적식별솔.
