سفارش تبلیغ
صبا ویژن
بسا کس که با نیکویى بدو گرفتار گردیده است و بسا مغرور بدانکه گناهش پوشیده است ، و بسا کس که فریب خورد به سخن نیکویى که در باره او بر زبانها رود ، و خدا هیچ کس را نیازمود چون کسى که او را در زندگى مهلتى بود . [ و این گفتار پیش از این گذشت ، لیکن اینجا در آن زیادتى است سودمند . ] [نهج البلاغه]
 
پنج شنبه 95 مهر 29 , ساعت 5:9 صبح

 

برای دریافت پروژه اینجا کلیک کنید

مقاله A Classifier Combination Approach for Farsi Accents Recognition تحت فایل ورد (word) دارای 5 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله A Classifier Combination Approach for Farsi Accents Recognition تحت فایل ورد (word) کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.

این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است

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 مقاله A Classifier Combination Approach for Farsi Accents Recognition تحت فایل ورد (word) ،به هیچ وجه بهم ریختگی وجود ندارد


بخشی از متن مقاله A Classifier Combination Approach for Farsi Accents Recognition تحت فایل ورد (word) :

سال انتشار: 1391
محل انتشار: بیستمین کنفرانس مهندسی برق ایران
تعداد صفحات: 5
نویسنده(ها):
Shahab Jalalvand – Audio and Speech Processing Lab, Computer Engineering Department, Iran University of Science and Technology, Tehran
Ahmad Akbari –
Babak Nasersharif – Electrical and Computer Engineering Department, K.N. Toosi University of Technology,

چکیده:

Accent classification technologies directly influence the performance of automatic speech recognition (ASR) systems. In this paper, we evaluate three accent classificationapproaches: Phone Recognition followed by Language Modeling (PRLM) as a phonotactic approach; accent modeling using Gaussian Mixture Models (GMM) then selecting the mostsimilar model using Maximum Likelihood algorithm that is categorized in acoustic approaches a novel classifiercombination method which is proposed to improve the performance of accent classification for several regional accents. In the proposed approach, we use an ensemble methodin which each base classifier is a binary classifier that separates an accent from another one. We use the majority votealgorithm to combine the base classifiers. Results for five accents selected from FARSDAT speech database show that the proposed ensemble method outperforms PRLM and GMMbased approaches in the case of Farsi regional accent classifications.

 

 

برای دریافت پروژه اینجا کلیک کنید

لیست کل یادداشت های این وبلاگ