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: ریاضیات کاربردی ویرایش: نویسندگان: Mark Gales. Steve Young سری: ISBN (شابک) : 1601981201, 9781601981219 ناشر: سال نشر: 2008 تعداد صفحات: 124 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 991 کیلوبایت
در صورت تبدیل فایل کتاب The Application of Hidden Markov Models in 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 کاربرد مدلهای مخفی مارکوف در تشخیص 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.
مدلهای مارکوف پنهان (HMMs) یک چارچوب ساده و مؤثر برای مدلسازی توالیهای برداری طیفی با زمان متغیر ارائه میدهند. در نتیجه، تقریباً تمام سیستمهای تشخیص گفتار پیوسته واژگان بزرگ امروزی (LVCSR) مبتنی بر HMM هستند. در حالی که اصول اساسی زیربنای LVCSR مبتنی بر HMM نسبتاً ساده هستند، تقریبها و فرضیات سادهسازی مربوط به اجرای مستقیم این اصول منجر به سیستمی میشود که دقت ضعیف و حساسیت غیرقابل قبولی نسبت به تغییرات در محیط عملیاتی دارد. بنابراین، کاربرد عملی HMM ها در سیستم های مدرن مستلزم پیچیدگی قابل توجهی است. کاربرد مدلهای پنهان مارکوف در تشخیص گفتار، معماری اصلی یک سیستم LVCSR مبتنی بر HMM را ارائه میکند و به توصیف اصلاحات مختلفی که برای دستیابی به عملکرد پیشرفته نیاز است، ادامه میدهد. این اصلاحات شامل طرح ریزی ویژگی، مدل سازی کوواریانس بهبودیافته، تخمین پارامترهای متمایز، تطبیق و عادی سازی، جبران نویز و ترکیب سیستم چند گذری است. این با مطالعه موردی LVCSR برای رونویسی اخبار پخش و مکالمه به منظور نشان دادن تکنیکهای توصیفشده به پایان میرسد. استفاده از مدلهای پنهان مارکوف در تشخیص گفتار منبعی ارزشمند برای هر کسی است که به فناوری تشخیص گفتار علاقه دارد.
Hidden Markov Models (HMMs) provide a simple and effective framework for modelling time-varying spectral vector sequences. As a consequence, almost all present day large vocabulary continuous speech recognition (LVCSR) systems are based on HMMs. Whereas the basic principles underlying HMM-based LVCSR are rather straightforward, the approximations and simplifying assumptions involved in a direct implementation of these principles would result in a system which has poor accuracy and unacceptable sensitivity to changes in operating environment. Thus, the practical application of HMMs in modern systems involves considerable sophistication. The Application of Hidden Markov Models in Speech Recognition presents the core architecture of a HMM-based LVCSR system and proceeds to describe the various refinements which are needed to achieve state-of-the-art performance. These refinements include feature projection, improved covariance modelling, discriminative parameter estimation, adaptation and normalisation, noise compensation and multi-pass system combination. It concludes with a case study of LVCSR for Broadcast News and Conversation transcription in order to illustrate the techniques described. The Application of Hidden Markov Models in Speech Recognition is an invaluable resource for anybody with an interest in speech recognition technology.