تشیخص گفتار اتوماتیک قوی بلادرنگ با استفاده از ماشین های بردار پشتیبان فشرده

 

Real-Time Robust Automatic Speech Recognition Using Compact Support Vector Machines

Abstract

In the last years, support vector machines (SVMs) have shown excellent performance in many applications, especially in the presence of noise. In particular, SVMs offer several advantages over artificial neural networks (ANNs) that have attracted the attention of the speech processing community. Nevertheless, their high computational requirements prevent them from being used in practice in automatic speech recognition (ASR), where ANNs have proven to be successful. The high complexity of SVMs in this context arises from the use of huge speech training databases with millions of samples and highly overlapped classes. This paper suggests the use of a weighted least squares (WLS) training procedure that facilitates the possibility of imposing a compact semiparametric model on the SVM, which results in a dramatic complexity reduction. Such a complexity reduction with respect to conventional SVMs, which is between two and three orders of magnitude, allows the proposed hybrid WLS-SVC/HMM system to perform real-time speech decoding on a connected-digit recognition task (SpeechDat Spanish database). The experimental evaluation of the proposed system shows encouraging performance levels in clean and noisy conditions, although further improvements are required to reach the maturity level of current context-dependent HMM-based recognizers.

 

دانلود رایگان مقاله انگلیسی              837.77 KB

 

چکیده
در سال های اخیر، ماشین های بردار پشتیبان کارایی قابل توجهی در اکثر کاربردها مخصوصا در کاربردهای دارای نویز نشان داده اند. مخصوصا، این ماشین ها مزایای متعددی نسبت به شبکه های عصبی مصنوعی که توجه جامعه پردازش گفتار را به خود جلب کرده اند، عرضه می کنند. به هر حال، نیازهای محاسباتی بالای آنها مانع از بکارگیری آنها در عمل در تشخیص گفتار اتوماتیک می شوند، جاییکه موفق بودن شبکه های عصبی مصنوعی ثابت شده است. پیچیدگی بالای ماشین های بردار پشتیبان در این زمینه از استفاده از پایگاه داده های آموزش گفتار حجیم با میلیون ها نمونه و کلاس هایی با همپوشانی بالا ناشی می شود.

تعداد صفحات مقاله انگلیسی : 15 صفحه
تعداد صفحات مقاله فارسی : 35 صفحه

 

اضافه کردن نظر