| DC 欄位 |
值 |
語言 |
| DC.contributor | 電機工程學系 | zh_TW |
| DC.creator | 陳克巽 | zh_TW |
| DC.creator | Ke-Zhuan Chen | en_US |
| dc.date.accessioned | 2000-6-13T07:39:07Z | |
| dc.date.available | 2000-6-13T07:39:07Z | |
| dc.date.issued | 2000 | |
| dc.identifier.uri | http://ir.lib.ncu.edu.tw:88/thesis/view_etd.asp?URN=87324039 | |
| dc.contributor.department | 電機工程學系 | zh_TW |
| DC.description | 國立中央大學 | zh_TW |
| DC.description | National Central University | en_US |
| dc.description.abstract | 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。 | zh_TW |
| DC.subject | 非監督式快速語者調適 | zh_TW |
| DC.subject | 貝氏調適法 | zh_TW |
| DC.subject | 最大可能性線性迴歸 | zh_TW |
| DC.subject | 向量場平滑化 | zh_TW |
| DC.subject | Speaker Adaptation | en_US |
| DC.title | 非監督式快速語者調適演算法研究 | zh_TW |
| dc.language.iso | zh-TW | zh-TW |
| DC.type | 博碩士論文 | zh_TW |
| DC.type | thesis | en_US |
| DC.publisher | National Central University | en_US |