English  |  正體中文  |  简体中文  |  全文筆數/總筆數 : 64745/64745 (100%)
造訪人次 : 20484677      線上人數 : 385
RC Version 7.0 © Powered By DSPACE, MIT. Enhanced by NTU Library IR team.
搜尋範圍 查詢小技巧:
  • 您可在西文檢索詞彙前後加上"雙引號",以獲取較精準的檢索結果
  • 若欲以作者姓名搜尋,建議至進階搜尋限定作者欄位,可獲得較完整資料
  • 進階搜尋


    請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/8995


    題名: 非監督式快速語者調適演算法研究
    作者: 陳克巽;Ke-Zhuan Chen
    貢獻者: 電機工程研究所
    關鍵詞: 非監督式快速語者調適;貝氏調適法;最大可能性線性迴歸;向量場平滑化;Speaker Adaptation
    日期: 2000-06-13
    上傳時間: 2009-09-22 11:39:06 (UTC+8)
    出版者: 國立中央大學圖書館
    摘要: 語者調適是為了讓使用者能夠在使用少量的調適語料,在不需錄製大量訓練語料條件下,在不知不覺當中,借由幾句話就能達到良好的調適效果,提升系統辨識能力,這就是非監督式快速語者調適的目的。 在調適方法方面,本論文中使用到的主要有貝氏調適法(Bayesian adaptation, MAP)、最大可能性線性迴歸(Maximum Likelihood Linear Regression, MLLR)、向量場平滑化(Vector-Field-Smoothing, VFS)三種,並嘗試結合MLLR與MAP、MLLR與VFS來提升調適能力可能性,並由實驗證明,MLLR+MAP與MLLR+VFS不論在監督(Supervised)或非監督(Unsupervised)調適中,效果都比使用單一方法下來得好。 在快速調適做法上,一般是用監督批次 (Supervised Batch) 式架構或非監督漸增(Unsupervised Incremental)方法來實現。本論文首先使用監督批次式(SB)架構來評估各種調適方法表現;另外在非監督調適上,使用兩種架構,一種是每次在調適時只使用不同2句話來不斷地調整初始模型(UI_1);另一種則是重覆使用上一次調適過的語料來調適(UI_2)。MLLR使用UI_1調適架構時,正確率會有跳動情況發生,若再增加調適語料,跳動情形依然可能發生;若與MAP、VFS結合,則可以增加MLLR在非監督調適下穩定性,從MLLR+VFS與MLLR+MAP 以每次4句,5次調適結果平均來比較,兩者都比不特定語者高出5個百分點左右,MLLR+VFS又比MLLR+MAP高出了1.34個百分點,同時可以看出MLLR+VFS在一次使用較多調適語料時,正確率比較不會有跳動的情況發生。 在非監督調適當中,若使用UI_2架構,則對MLLR+MAP與MLLR+VFS而言,具有快速穩定調適效果,兩者在第2次的調適後,即可達到 90 %詞正確率,若調適次數再增加,則MLLR+VFS正確率有緩慢上升趨勢,最好可達 94.45 %。所以在非監督式快速語者調適當中,使用UI_2架構,並結合MLLR+VFS是較為可行調適方法。
    顯示於類別:[電機工程研究所] 博碩士論文

    文件中的檔案:

    檔案 大小格式瀏覽次數
    0KbUnknown987檢視/開啟


    在NCUIR中所有的資料項目都受到原著作權保護.

    社群 sharing

    ::: Copyright National Central University. | 國立中央大學圖書館版權所有 | 收藏本站 | 設為首頁 | 最佳瀏覽畫面: 1024*768 | 建站日期:8-24-2009 :::
    DSpace Software Copyright © 2002-2004  MIT &  Hewlett-Packard  /   Enhanced by   NTU Library IR team Copyright ©   - 回饋  - 隱私權政策聲明