مقایسه ای بین کارایی ماشین بردار پشتیبان و هیبرید آن با کوانتیزاسیون برداری در تشخیص گفتار از موزیک
محل انتشار: دهمین کنفرانس سالانه انجمن کامپیوتر ایران
سال انتشار: 1383
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,249
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ACCSI10_096
تاریخ نمایه سازی: 25 آذر 1390
چکیده مقاله:
در سالهای اخیر ماشین بردار پشتیبان یا SVM به شکل گسترده ای در مسائل شناسایی و دسته بندی الگو مورد استفاده قرار میگیرد نتایج حاصل از بکارگیری این روش درکاربردهای متفاوت دلالت برکارایی بالای آن دارد درمواردی چون برنامه های رادیویی و تلویزیونی که گفتار و موزیک تواما پخش می شود و بهدلایلی چون ذخیره سازی و مانند آن مایل به جداسازی گفتار از موزیک هستیم نیاز به سیستمی که بتواند بطور خودکار بازشناسی گفتار از موزیک را انجام دهد احساس می شود دراین مقاله بازشناسی گفتار از موزیک در پخش رادیویی به روش ماشین بردار پشتیبان موردمطالعه قرارگرفته است از آنجا که زمان آموزش و آزمایش در ماشین بردار پشتیبان بالا می باشد سیستم ترکیبی متشکل از کوانتیزاسیون برداری و ماشین بردار پشتیبان جهت کاهش زمان آموزش و آزمایش پیشنهاد شده است.
کلیدواژه ها:
شناسایی گفتار از موزیک ، ماشین بردار پشتیبان ، کوانتیزاسیون برداری ، مشتق ضرایب کپسترال مبتنی بر معیار مل ، مشتق ضریاب کپسترال مبتنی بر آنالیز پیشگویی خطی
نویسندگان
محمدمهدی همایون پور
آزمایشگاه سیستمهای هوشمند صوتی گفتاری دانشگاه صنعتی امیرکبیر
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :