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 |
|
/1 
发表于 2021-4-7 09:49
收藏
淘帖
支持！
反对！