TA的每日心情 | 慵懒 2020-8-28 15:16 |
---|
签到天数: 3 天 [LV.2]偶尔看看I
|
EDA365欢迎您登录!
您需要 登录 才可以下载或查看,没有帐号?注册
x
& C/ P0 ~, W; @, F% i摘 要: 为提高自动发音错误检测性能,提出一种区分性特征补偿训练算法.该方法将高斯后验概率矢量经过 线性变换后作为偏移量补偿至传统的谱特征.将经过正确度标注的语音数据库上的发音错误检测 F1值的最大化作 为变换参数的训练准则.推导了目标函数对变换参数的偏导数公式,并利用无约束参数优化例程 LBFGS更新变换参 数.发音错误检测实验表明该方法能够有效增大训练和测试集的 F1值.并且训练和测试集的精确度、召回率也都有 明显提高.在特征优化的基础上进行模型参数训练,检错性能较单独的区分性特征训练、单独的区分性模型训练都有 进一步改进.
c/ @& h) Y/ l' R3 K
% U+ g% J. H% G
( v& a3 d+ E) j/ [) R; A关键词: 自动发音错误检测;F1值;区分性训练;特征;计算机辅助语言学习/ y5 L& N! m, C
, Y4 ~- z) L5 ~- m
4 ?0 j$ j4 w' K6 T; } 计算机辅助语言学习是利用语音语言技术辅助学 生学习语言的技术,自动发音错误检测是其中一个重要 形式,其目的在于自动指出说话人的发音错误.近年来, 各机构都展开了研究,产生了一系列方法[1~9].发音错 误检测总体上基于语音识别技术,在声学模型的建立方 面,尽管研究人员对不同的模型进行了尝试[1,7,8,9],高 斯混 合 模 型隐 马 尔 可 夫 模 型 (HiddenMarkovModel, HMM)仍是常用建模方法,而 GOP(GoodnessofPronuncia tion)[2]则是描述发音定量得分的经典算法.
4 {* [0 F# c' t* e0 G, n+ L
( l' \0 @: O1 q4 c5 S# {' A$ q
# u" G5 q a4 K0 r2 q0 h- x附件下载:1 b* N; s6 ~! s
0 b: Q1 u9 t1 N |
|