فایل ورد کامل ترجمه مقاله تشخیص دروغگویی از سیگنال گفتار با استفاده از ویژگی های ماشین بردار ۵۱ صفحه در word

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

 فایل ورد کامل ترجمه مقاله تشخیص دروغگویی از سیگنال گفتار با استفاده از ویژگی های ماشین بردار ۵۱ صفحه در word دارای ۵۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

لطفا نگران مطالب داخل فایل نباشید، مطالب داخل صفحات بسیار عالی و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

فایل ورد فایل ورد کامل ترجمه مقاله تشخیص دروغگویی از سیگنال گفتار با استفاده از ویژگی های ماشین بردار ۵۱ صفحه در word  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل ترجمه مقاله تشخیص دروغگویی از سیگنال گفتار با استفاده از ویژگی های ماشین بردار ۵۱ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل ترجمه مقاله تشخیص دروغگویی از سیگنال گفتار با استفاده از ویژگی های ماشین بردار ۵۱ صفحه در word :

دانلود فایل ورد کامل ترجمه مقاله تشخیص دروغگویی از سیگنال گفتار با استفاده از ویژگی های ماشین بردار ۵۱ صفحه در word
ترجمه در قالب فایل Word و قابل ویرایش میباشد
سال انتشار:۲۰۱۴
تعداد صفحه ترجمه:۲۶
تعداد صفحه فایل انگلیسی:۱۱

موضوع انگلیسی :Deceptiondetectingfromspeechsignalusingrelevancevector
machine andnon-lineardynamicsfeatures
موضوع فارسی:دانلود فایل ورد کامل ترجمه مقاله تشخیص دروغگویی از سیگنال گفتار با استفاده از ویژگی های ماشین بردار ۵۱ صفحه در word
چکیده انگلیسی:The novelmethodofdeceptiondetectingbasedonspeechsignalisproposedinthisstudy.Extracting
prosodic andnon-lineardynamics(NLD)featuresetsfromspeechsignalandapplyingrelevancevector
machine (RVM)classification methodistheprimarytargetofthispaper.Here,thesustainedspeaker-
depended phonationsamplesofdeceptionandnon-deceptionwereapplied.Inthispaper,30prosodic
features and18NLDfeatureswereselectedwhichshowsignificant correlationstodeceptionstate.
Moreover,theRVMclassification modelbasedonsparsebayesianlearning(SBL)wasintroducedwhichis
a bayesianextensionofthesupportvectormachine(SVM)andnotberestrictedbytheMercer's
condition. Intheexperiments,thedeceptioncorpusofSoochowUniversityisexploitedtotestour
approach. Firstly,theexperimentoffeatureperformancetestwascarriedout.Itisdemonstratedthatthe
combination ofprosodicandNLDfeaturesisthemosteffectivelymethodfordetectingdeceptivespeech.
Secondly,thepropertyofRVMclassification modelismeasured.TheexperimentresultsshowthatRVM
technology requiresmuchfewerbasicfunctionsanddemandsmuchlessdecisiontimethantheSVM
algorithm. Furthermore,duringthetestofcorrectclassification accuracyofRVM,itshowsthatRVMis
much higherthantheclassicalmodelofSVMandradialbasisfunctionneuralnetwork(RBFNN).Finally,
the robustnesstestofRVMisprocessedandreceivedbetterperformancethanSVMandRBFNNmethods
when thesignaltonoiseratio(SNR)falls.Ingeneral,theproposeddeceptiondetectingmethodbasedon
the combinedfeaturesandRVMclassifier isnovel,convenientandpractical,moreover,itachieveshigher
classification accuracy,lessdetectiontime,propertyofgeneralization,andthestrongrobustness
چکیده فارسی:

چکیده
روش نوین تشخیص دروغگویی بر اساس سیگنال گفتار، در این مطالعه ارائه شده است. استخراج مجموعه ی ویژگی دینامیک عروضی و غیر خطی (NLD) از سیگنال گفتار و اعمال روش طبقه بندی ماشین بردار ارتباطی (RVM)، هدف ابتدایی این مقاله است. در این مقاله، نمونه های آوایی مربوط به سخنرانی مداوم فریبکارانه و غیر فریبکارانه به کار گرفته شد. در این مقاله، ۳۰ ویژگی عروضی و ۱۸ ویژگی NLD که ارتباط معنی داری با حالت دروغگویی نشان می دهند، انتخاب شدند. علاوه بر این، مدل طبقه بندی RVM مبتنی بر یادگیری پراکنده بیزین (SBL)، معرفی شد که فرمت بیزین ماشین بردار پشتیبان (SVM) بوده و توسط شرایط مرکر محدود نمی شود. در آزمایشات، نوشتجات مربوط به درغگویی دانشگاه سوچو برای سنجیدن رویکردمان استفاده شد. در مرحله ی اول، آزمایش سنجیدن عملکرد ویژگی انجام شد. نشان داده شد که ترکیبی از ویژگی های عروضی و NLD، مؤثرترین روش برای تشخیص گفتار دروغین است. در مرحله ی دوم، خصوصیت مدل طبقه بندی RVM اندازه گیری شد. نتایج آزمایش نشان می دهد که فن آوری RVM به توابع پایه ی بسیار کمتر نیاز دارد و نسبت به الگوریتم SVM، زمان تصمیم بسیار کمتری می خواهد. علاوه بر این، در طول سنجیدن دقت طبقه بندی صحیح RVM، نشان داده شد که RVM، نسبت به مدل کلاسیک SVM و شبکه ی عصبی تابع پایه ای شعاعی (RBFNN)، بسیار بالاتر می باشد. در نهایت، سنجیدن استحکام RVM بررسی شد و زمانی که نسبت سیگنال به نویز (SNR) افت کرد، عملکرد بهتری نسبت به روش SVM و RBFNN گرفته شد. به طور کلی، روش تشخیص دروغگویی پیشنهادی مبتنی بر ویژگی های ترکیبی و طبقه بندی کننده RVM نوین، مناسب و عملی است، علاوه بر این، به دقت طبقه بندی بالاتر ، زمان تشخیص کمتر، خصوصیت تعمیم دادن، و توانمندی زیاد می رسد.