Towards better GMM-based Acoustic Modeling for Spoken Language Identification
محل انتشار: نوزدهمین کنفرانس مهندسی برق ایران
سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,016
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICEE19_259
تاریخ نمایه سازی: 14 مرداد 1391
چکیده مقاله:
Gaussian Mixture Model (GMM) is a widely used, simple and effective modeling approach for spoken language identification. Traditionally EM algorithm is used to train this model. In this paper we propose a new method named WA-GMM (Weight Adapted GMM) for estimating the weights of GMM Gaussian components using bag-of-unigram and Support Vector Machine (SVM): SVM weights which are trained on bag-ofunigram vectors, are used as new weights for GMM Gaussian components. These new weights act better than the weights resulted by EM algorithm. Our experiments on 3 different LID systems on 4 languages from OGI-TS multi-language corpus prove our claim.
کلیدواژه ها:
نویسندگان
Fahime Ghasemian
Amirkabir University of technology
Mohammad Mahdi Homayounpour
Amirkabir University of technology