已閱讀1頁，還剩36頁未讀， 繼續(xù)免費(fèi)閱讀
版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、目前語音識(shí)別系統(tǒng)在訓(xùn)練與測(cè)試條件一致的情況下可以達(dá)到很高的識(shí)別率，但具體到實(shí)際應(yīng)用中，由于說話人的變化、環(huán)境條件的變化以及噪聲等因素的影響，會(huì)使識(shí)別系統(tǒng)的性能急劇下降。模型自適應(yīng)算法是減小環(huán)境失配影響的有效方法之一，它通過少量自適應(yīng)數(shù)據(jù)將模型參數(shù)變換到識(shí)別環(huán)境。最大似然線性回歸(MLLR)是一種常用于減小環(huán)境失配影響的模型自適應(yīng)算法。
本文針對(duì)最大似然線性回歸算法在低信噪比環(huán)境下誤識(shí)率較高的缺點(diǎn)進(jìn)行了研究，采用一種子帶最大
溫馨提示
- 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間，僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請(qǐng)與我們聯(lián)系，我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 一種基于HMM和WNN混合模型的語音識(shí)別方法.pdf
- 具有混響魯棒性的遠(yuǎn)距離語音識(shí)別方法研究.pdf
- 19039.縱向數(shù)據(jù)中一種基于copula的復(fù)合似然方法
- 一種魯棒的人臉檢測(cè)方法.pdf
- 一種融合多特征描述子的行為識(shí)別方法.pdf
- 基于組合去噪方法的魯棒性語音識(shí)別.pdf
- 基于最大似然回歸樹的地鐵運(yùn)營(yíng)事故延誤模型研究.pdf
- 基于最大似然算法的DOA估計(jì)方法研究.pdf
- 基于稀疏編碼的魯棒說話人識(shí)別方法研究.pdf
- 10379.高維線性回歸模型下的經(jīng)驗(yàn)似然方法
- 一種基于離散時(shí)空模型的步態(tài)識(shí)別方法.pdf
- 線性分組碼的最大似然譯碼研究.pdf
- 非線性回歸模型的經(jīng)驗(yàn)似然推斷.pdf
- 魯棒的目標(biāo)檢測(cè)與識(shí)別方法研究.pdf
- 基于字典學(xué)習(xí)的稀疏表示人臉魯棒識(shí)別方法.pdf
- 自動(dòng)語音識(shí)別中的噪聲魯棒性方法.pdf
- 基于對(duì)偶樹復(fù)小波特征與局部最大間距準(zhǔn)則的魯棒人臉識(shí)別方法.pdf
- 一種基于數(shù)據(jù)挖掘的垃圾短信識(shí)別方法的研究.pdf
- 最大似然估計(jì)概述
- 自動(dòng)語音識(shí)別噪聲魯棒性方法研究.pdf
評(píng)論
0/150
提交評(píng)論