Fungsi carian sedang dalam pembinaan.
Fungsi carian sedang dalam pembinaan.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Maximum Likelihood Successive State Splitting Algorithm for Tied-Mixture HMnet Algoritma Pemisahan Keadaan Berkemungkinan Maksimum Berturut-turut untuk HMnet Campuran Terikat

Alexandre GIRARDI, Harald SINGER, Kiyohiro SHIKANO, Satoshi NAKAMURA

  • pandangan teks lengkap

    0

  • Petikan Ini

Ringkasan:

Makalah ini menunjukkan bagaimana algoritma pengelompokan keadaan pembahagian yang menjana model Markov Tersembunyi (HMM) akustik boleh mendapat manfaat daripada perwakilan campuran terikat bagi fungsi ketumpatan kebarangkalian (pdf) sesuatu keadaan dan meningkatkan prestasi pengecaman. Algoritma pengelompokan berasaskan pokok keputusan yang popular, seperti contohnya algoritma Pemisahan Negeri Berturut-turut (SSS) menggunakan penyederhanaan apabila mengelompokkan data. Mereka mewakili negeri menggunakan satu pdf Gaussian. Kami menunjukkan bahawa anggaran pdf sebenar oleh Gaussian tunggal ini terlalu kasar, contohnya Gaussian tunggal tidak boleh mewakili perbezaan bahagian simetri pdf keadaan hipotesis baharu yang dijana semasa menilai keuntungan pecahan keadaan (yang akan menentukan perpecahan negeri). Penggunaan perwakilan yang lebih canggih akan membawa kepada masalah pengiraan yang sukar diatasi yang kami selesaikan dengan menggunakan perwakilan pdf campuran terikat. Selain itu, kami mengekang buku kod untuk tidak berubah semasa perpecahan. Di antara pemisahan keadaan, kekangan ini dilonggarkan dan buku kod dikemas kini. Dalam makalah ini, kami mencadangkan pelanjutan kepada algoritma SSS, yang dipanggil algoritma Pemisahan Negeri Berturutan Campuran Terikat (TM-SSS). TM-SSS menunjukkan sehingga kira-kira 31% pengurangan ralat berbanding dengan algoritma Pemisahan Keadaan Berturut-turut Maksimum (ML-SSS) untuk percubaan pengecaman perkataan.

Jawatankuasa
IEICE TRANSACTIONS on Information Vol.E83-D No.10 pp.1890-1897
Tarikh penerbitan
2000/10/25
Diumumkan
ISSN dalam talian
DOI
Jenis Manuskrip
PAPER
kategori
Pertuturan dan Pendengaran

Pengarang

Kata kunci

Contents [show]