دانلود ترجمه مقاله شناسایی همپوشانی گفتار شبکه عصبی بازگشتی – مجله CiteSeerX

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” شناسایی همپوشانی گفتار شبکه عصبی بازگشتی ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

چکیده
۱- مقدمه
۲ – سیستم تشخیص هم پوشانی
۲٫۱ سیستم مدل پنهان مارکف
۲٫۲٫ ویژگی های صوتی
۳ – حافظه کوتاه و بلند مدت شبکه های عصبی بازگشتی برای تشخیص هم پوشانی
۳٫۱ حافظه کوتاه /بلند مدت-شبکه عصبی برگشتی ها
۴٫ آزمایش
۴٫۱٫ راه اندازی آزمایشی
۴٫۲ نتایج
نتیجه گیری

• بخشی از ترجمه:

نتیجه گیری
ما در این پژوهش یک سیستم برای تشخیص هم پوشانی گفتار مبتنی بر شبکه های حافظه کوتاه /بلند مدت معرفی کردیم . حافظه کوتاه /بلند مدت ها به عنوان رگرسور هایی استفاده میشوند که که ساختار با قابلیت های پیش بینی را در سیستم ایجاد می کنند . این پیش بینی ها چه مستقیا با استفاده از نقاط آستانه منجر به تشخیص هم پوشانی بشوند و چه در سیستم های مدل پنهان مارکف-حافظه کوتاه /بلند مدت مورد استفاده قرار بگیرند می توانند مفید باشند . آزمایش هایی با لاشه های تعامل افزوده چند کاربره و دو مجموعه از ویژگی های مورد نیاز انجام شده است : تشخیص تقطسع چند گویندهs استاندارد ، و مجموعه ی بزرگ تری از انرژی ، طیف و صدا و ویژگی های مبتنی بر کدگذاری پراکنده منفی . حافظه کوتاه /بلند مدت ها اجراهایی قابل قیاس با اجراهای سیستم مدل پنهان مارکف در هر دو مجموعه نشان دادند .با افزودن پیش بینی های حافظه کوتاه /بلند مدت به ویژگی های مدل پنهان مارکف در سیستم های دو پشته این حقیقت دریافت گردید که کارکرد سیستم تقویت می شود .

• بخشی از مقاله انگلیسی:

۵٫ Conclusions

We presented a system for speech overlap detection based on LSTM networks. LSTMs are trained as a regressor to predict a frame-wise overlap score. This prediction score is either directly used to detect overlap by applying a threshold, or it is utilised in a tandem HMM-LSTM system. Experiments were conducted with the AMI corpus and two feature sets: standard MFCCs and a larger set of energy, spectral, voicing and CNSCbased features. LSTMs showed performance comparable to a standard HMM system for both feature sets. Realising the tandem system by adding LSTM predictions to the HMM feature set resulted in improved system performance. Overlap detection recall was improved (23 % relative improvement in the case of using ESVC features) while keeping precision constant. Thereby, the overlap detection error was substantially reduced.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله