GMM-UBM

مقالات فارسی با محوریت GMM :

مدل مخلوط گاوسی (GMM)، روشی ساده و موثر برای مدل کردن آماری فضای ویژگی هاست که به طور گسترده در کاربرد تشخیص زبان مورد استفاده قرار گرفته و از الگوریتم بیشینه سازی امید ریاضی برای آموزش پارامترهای این مدل استفاده می شود. در این مقاله با توجه به مشکلی که در آموزش مدل GMM وجود دارد، مدلی جدید با نام PAW-GMM ارائه شده است. در این مدل، قدرت هر مولفه از مدل GMM در تمایز یک زبان از سایر زبان ها، برای تعیین وزن هر مولفه در نظر گرفته می شود. مدل PAW-GMM به دلیل در نظر گرفتن خواص تمایزی مولفه های مخلوط گاوسی، سبب افزایش دقت سیستم های تشخیص زبانی می شود که از این مدل به عنوان جایگزین مدل GMM استفاده می کنند. همچنین یکی از مشکلاتی که در سیستم GMM-PSK-SVM که یکی از بهترین سیستم های تشخیص زبان است وجود دارد، پیچیدگی محاسباتی بالا خصوصا با اضافه شدن تعداد زبان هاست. از این رو سیستم UBM-PSK-SVM ارائه شده است که با ثابت نگه داشتن دقت سیستم GMM-PSK-SVM، سبب کاهش پیچیدگی محاسباتی آن شده و در نتیجه قدرت تعمیم به زبان های بالاتر را افزایش می دهد. آزمایش های صورت گرفته بر روی 4 سیستم تشخیص زبان مختلف با استفاده از داده های مربوط به 4 زبان انگلیسی، فارسی، فرانسوی و آلمانی دادگان OGI، کارایی تکنیک های ارائه شده را نشان می دهد.



  7453bf9e-1f2d-4d65-bea7-32b18f74f3f4.pdf (اندازه: 235.3 KB / تعداد دفعات دریافت: 5)

  61013900303.pdf (اندازه: 264.83 KB / تعداد دفعات دریافت: 5)

*******************************************
مقاله فارسی با محوریت GMM-UBM :

در این مقاله، روش مدل آمیزه ی گوسی ساختار یافته (SGMM) که به منظور سرعت بخشی الگوریتم GMM-UBM در سیستم تصدیق هویت گوینده، پیشنهاد شده است، مورد بررسی قرار می گیرد. تاثیر برخی پارامترها در ساخت مدل پس زمینه ساختاری (SBM) به تفصیل مورد بررسی و مقادیر بهینه در ساخت مدل مورد استفاده قرار می گیرد. همچنین برای پردازش امتیازهای خروجی ساختار SBM-SGMM ساختاری با عنوان شناسایی کننده GMM پیشنهاد می شود. شبیه سازی های انجام یافته نشان می دهد ساختار بهینه SBM در ترکیب با پردازنده امتیازهای پیشنهاد شده، عملکرد بهتری نسبت به سیستم پایه در ترکیب با شبکه عصبی دارد و این در حالتی است که پیچیدگی سیستم پیشنهاد شده، پایین تر از شبکه عصبی می باشد. با استفاده از سیستم پیشنهادی، نرخ سرعت بخشی برابر با 2.7 حاصل گردید و در عین حال عملکرد سیستم نیز نسبت به سیستم GMM-UBM بهبود نشان می دهد. در بهترین حالت می توان به نرخ خطای برابر معادل 0.35% دست یافت که نسبت به عملکرد سیستم GMM-UBM با نرخ خطای برابر 1.71% بهبود قابل ملاحظه ای حاصل می شود.




http://s1.picofile.com/file/8101401742/G...e.rar.html

رسم اسپتکروگرام

رسم اسپتکروگرام
http://www.imamrezastudent.com/showthread.php?tid=1252&pid=1370#pid1370