دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: فن آوری ویرایش: 1 نویسندگان: Wolfgang Minker, Satoshi Nakamura, Konstantin Markov, Sakriani Sakti (auth.) سری: Lecture Notes in Electrical Engineering 42 ISBN (شابک) : 9780387858296, 9780387858302 ناشر: Springer US سال نشر: 2009 تعداد صفحات: 206 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
کلمات کلیدی مربوط به کتاب گنجاندن منابع دانش در تشخیص آماری گفتار: مهندسی برق، شبکه های ارتباطی کامپیوتری، مهندسی ارتباطات، شبکه ها، آکوستیک، پردازش سیگنال، تصویر و گفتار
در صورت تبدیل فایل کتاب Incorporating Knowledge Sources into Statistical Speech Recognition به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب گنجاندن منابع دانش در تشخیص آماری گفتار نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
تلفیق منابع دانش در تشخیص گفتار آماری راهحلهایی را برای افزایش استحکام سیستم تشخیص گفتار خودکار آماری (ASR) با ترکیب منابع مختلف دانش اضافی و در عین حال امکانپذیر نگه داشتن تلاش آموزشی و شناسایی ارائه میدهد. .
نویسندگان یک چارچوب کلی کارآمد برای ترکیب منابع دانش در سیستمهای آماری ASR پیشرفته ارائه میکنند. این چارچوب که GFIKS (چارچوب گرافیکی برای ترکیب منابع دانش اضافی) نامیده می شود، با استفاده از مفهوم شبکه بیزی (BN) طراحی شده است. این چارچوب اجازه می دهد تا روابط احتمالی بین منابع اطلاعاتی مختلف آموخته شود، انواع مختلفی از منابع دانش گنجانده شود، و تابع احتمالی مدل فرموله شود.
تلفیق منابع دانش در تشخیص گفتار آماری نشان میدهد که چگونه سیستم تشخیص گفتار آماری ممکن است منابع اطلاعاتی اضافی را با استفاده از GFIKS در سطوح مختلف ASR ترکیب کند. ادغام منابع مختلف دانش، از جمله نویزهای پس زمینه، لهجه، جنسیت و اطلاعات دانش آوایی گسترده، در مدل سازی به صورت نظری مورد بحث قرار گرفته و به صورت تجربی تجزیه و تحلیل می شود.
Incorporating Knowledge Sources into Statistical Speech Recognition offers solutions for enhancing the robustness of a statistical automatic speech recognition (ASR) system by incorporating various additional knowledge sources while keeping the training and recognition effort feasible.
The authors provide an efficient general framework for incorporating knowledge sources into state-of-the-art statistical ASR systems. This framework, which is called GFIKS (graphical framework to incorporate additional knowledge sources), was designed by utilizing the concept of the Bayesian network (BN) framework. This framework allows probabilistic relationships among different information sources to be learned, various kinds of knowledge sources to be incorporated, and a probabilistic function of the model to be formulated.
Incorporating Knowledge Sources into Statistical Speech Recognition demonstrates how the statistical speech recognition system may incorporate additional information sources by utilizing GFIKS at different levels of ASR. The incorporation of various knowledge sources, including background noises, accent, gender and wide phonetic knowledge information, in modeling is discussed theoretically and analyzed experimentally.
Front Matter....Pages 1-20
Introduction and Book Overview....Pages 1-17
Statistical Speech Recognition....Pages 1-35
Graphical Framework to Incorporate Knowledge Sources....Pages 1-23
Speech Recognition Using GFIKS....Pages 1-59
Conclusions and Future Directions....Pages 1-5
Back Matter....Pages 1-47