فایل ورد کامل تشخیص همپوشانی گفتار با حافظه کوتاه و بلند مدت شبکه های عصبی بازگشتی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل تشخیص همپوشانی گفتار با حافظه کوتاه و بلند مدت شبکه های عصبی بازگشتی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۷ صفحه

نتیجه گیری
ما در این پژوهش یک سیستم برای تشخیص هم پوشانی گفتار مبتنی بر شبکه های حافظه کوتاه /بلند مدت معرفی کردیم . حافظه کوتاه /بلند مدت ها به عنوان رگرسور هایی استفاده میشوند که که ساختار با قابلیت های پیش بینی را در سیستم ایجاد می کنند . این پیش بینی ها چه مستقیا با استفاده از نقاط آستانه منجر به تشخیص هم پوشانی بشوند و چه در سیستم های مدل پنهان مارکف-حافظه کوتاه /بلند مدت مورد استفاده قرار بگیرند می توانند مفید باشند . آزمایش هایی با لاشه های تعامل افزوده چند کاربره و دو مجموعه از ویژگی های مورد نیاز انجام شده است : تشخیص تقطسع چند گویندهs استاندارد ، و مجموعه ی بزرگ تری از انرژی ، طیف و صدا و ویژگی های مبتنی بر کدگذاری پراکنده منفی . حافظه کوتاه /بلند مدت ها اجراهایی قابل قیاس با اجراهای سیستم مدل پنهان مارکف در هر دو مجموعه نشان دادند .با افزودن پیش بینی های حافظه کوتاه /بلند مدت به ویژگی های مدل پنهان مارکف در سیستم های دو پشته این حقیقت دریافت گردید که کارکرد سیستم تقویت می شود .

عنوان انگلیسی:Detecting Overlapping Speech with Long Short-Term Memory Recurrent Neural Networks~~en~~

۵ Conclusions

We presented a system for speech overlap detection based on LSTM networks. LSTMs are trained as a regressor to predict a frame-wise overlap score. This prediction score is either directly used to detect overlap by applying a threshold, or it is utilised in a tandem HMM-LSTM system. Experiments were conducted with the AMI corpus and two feature sets: standard MFCCs and a larger set of energy, spectral, voicing and CNSCbased features. LSTMs showed performance comparable to a standard HMM system for both feature sets. Realising the tandem system by adding LSTM predictions to the HMM feature set resulted in improved system performance. Overlap detection recall was improved (23 % relative improvement in the case of using ESVC features) while keeping precision constant. Thereby, the overlap detection error was substantially reduced.

$$en!!