基于支持向量機(jī)的語種識(shí)別方法(編輯修改稿)
2025-08-31 15:17 本頁面
【文章內(nèi)容簡介】 0個(gè)樣本不可分，那么我們是否可以把這些低維空間的樣本通過核函數(shù)映射到高維空間進(jìn)行區(qū)分呢？答案是否定的，這主要基于兩點(diǎn)主要原因： – 由于幀與幀特征向量之間沒有很好的區(qū)分性，所以當(dāng)兩類的訓(xùn)練幀很多時(shí)（達(dá)到上萬個(gè)，并不僅限于這 200個(gè)），支持向量機(jī)訓(xùn)練通常會(huì)失效； – 上述方法是基于一種假設(shè)，其假設(shè)每幀之間是獨(dú)立的，不相關(guān)的，其忽略了幀與幀之間的連續(xù)性和相關(guān)性； ? 正是基于以上兩點(diǎn)原因，我們需要找到一種新的核函數(shù)，其能夠?qū)c幀之間的相關(guān)性建模，換句話說，應(yīng)該能夠把一定時(shí)長的序列（包含很多幀）數(shù)據(jù)轉(zhuǎn)換成一個(gè)特征向量，并把該特征向量映射到高維空間，由此提出了廣義線性判別序列核函數(shù)（ Generalized Linear Discriminant Sequence Kernel）。 廣義線性判別序列核函數(shù) ? 假設(shè)有一個(gè)句子，其包括 N幀，當(dāng)把每幀特征向量使用多項(xiàng)式展開公式 ф映射到高維空間之后，對某個(gè)分類器模型 w來說，得到廣義線性判別函數(shù)的輸出概率可以用下式表示： ? 怎么得到模型 w呢？可以使用最小平方誤差準(zhǔn)則（ MSE）訓(xùn)練得到。假設(shè)訓(xùn)練時(shí)該說話人訓(xùn)練樣本 xi（幀數(shù)）有 N1個(gè)，背景說話人訓(xùn)練樣本 yi有 N2個(gè)，該說話人的理想輸出為 1，背景說話人的理想輸出為 0，那么尋找 w的過程相當(dāng)于求解下列最優(yōu)化問題的最優(yōu)解： ? 求解過程如下： ? ? ? ? ???????? ???? ????2112211m i n NiitNiit ywxw ??? ?? ?? ?? ?? ?? ?? ?1, 11121211????txtNNNx MRwMMRyyxxMxxxM ?????????????????
化學(xué)相關(guān)推薦
鄂ICP備17016276號(hào)-1