دانلود مقاله و خرید ترجمه:شناسایی خودکار سن و جنس گوینده با استفاده ازسطح ترکیب اطلاعات صوتی و عروضی
دانلود بهترین مقالات isi همراه با ترجمه فارسی

کارابرن عزیز، مقالات سایت ( همگی جزو مقالات isi می باشند) بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (حتی محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi مانند IEEE، Sciencedirect، Springer، Emerald و ... انتخاب گردیده اند.

آگهی چاپ مقاله isi
ورود اعضا
توجه توجه توجه !!!!
نرم افزار winrar
پیشنهادات ویژه
پیوندهای کاربردی
پیوندهای مرتبط
مقالات ترجمه شده هوش مصنوعی
  • شناسایی خودکار سن و جنس گوینده با استفاده ازسطح ترکیب اطلاعات صوتی و عروضی

    سال انتشار:

    2012


    ترجمه فارسی عنوان مقاله:

    شناسایی خودکار سن و جنس گوینده با استفاده ازسطح ترکیب اطلاعات صوتی و عروضی


    عنوان انگلیسی مقاله:

    Automatic Speaker Age and Gender Recognition Using Acoustic and Prosodic Level Information Fusion


    منبع:

    Preprint submitted to Computer Speech and Language January 26, 2012


    چکیده انگلیسی:

    The paper presents a novel automatic speaker age and gender identification approach which combines seven different methods at both acoustic and prosodic levels to improve the baseline performance. The three baseline subsystems are (1) Gaussian mixture model (GMM) based on mel-frequency cepstral coefficient (MFCC) features, (2) Support vector machine (SVM) based on GMM mean supervectors and (3) SVM based on 450-dimensional utterance level features including acoustic, prosodic and voice quality information. In addition, we propose four subsystems: (1) SVM based on UBM weight posterior probability supervectors using the Bhattacharyya probability product kernel, (2) Sparse representation based on UBM weight posterior probability supervectors, (3) SVM based on GMM maximum likelihood linear regression (MLLR) matrix supervectors and (4) SVM based on the polynomial expansion coefficients of the syllable level prosodic feature contours in voiced speech segments. Contours of pitch, time domain energy, frequency domain harmonic structure energy and formant for each syllable (segmented using energy information in the voiced speech segment) are considered for analysis in subsystem (4). The proposed four subsystems have been demonstrated to be effective and able to achieve competitive results in classifying different age and gender groups. To further improve the overall classification performance, weighted summation based fusion of these seven subsystems at the score level is demonstrated. Experiment results are reported on the development and test set of the 2010 Interspeech Paralinguistic Challenge aGender database. Compared to the SVM baseline system (3), which is the baseline system suggested by the challenge committee, the proposed fusion system achieves 5.6% absolute improvement in unweighted accuracy for the age task and 4.2% for the gender task on the development set. On the final test set, we obtain 3.1% and 3.8% absolute improvement, respectively.
    Keywords: Age recognition | Gender recognition | Prosodic features | Pitch | Harmonic structure | Formant | Polynomial expansion | Maximum likelihood linear regression | UBM weight posterior probability supervectors | GMM | SVM | Sparse representation | Score level fusion


    چکیده فارسی:

    هدف این مقاله شناسایی رویکرد سنی و جنسی خودکار که ترکیبی ازهفت روش مختلف در هر دو سطح صوتی وعروضی (زبر زنجیری) به منظور بهبود پایه ی عملکرد است , میباشد.سه زیر سیستم پایه عبارت اند از: (1) مدل مخلوط گوسی (GMM) میتنی بر ویژگی های فرکانس ضریب شریک (MFCC) ، (2) دستگاه پشتیبانی بردار (SVM) مبتنی بر بردار میانهGMM (3) SVM مبتنی بر450 بعد ویژگی های سطح گفته ها که شامل جمله های صوتی، عروضی و اطلاعات کیفی صدا ها میباشد.علاوه بر این، ما چهار زیر سیستم دیگر را پیشنهاد میکنیم:(1) svm مبتنی بر ,UBM که ازاحتمال مرکزی Bhattacharyya استفاده میکند (2)بازنمایی پراکنده مبتنی بر UBM (3) SVM مبتنی براحتمال حداکثر رگرسیون خطی GMM و ماتریس (MLLR) (4) SVM بر اساس ضرایب بسط چند جمله ای و ویژگی های عروضی سطح هجا که در بخش مربوط به سخنرانی ابراز شده اند. به منظور تجزیه و تحلیل زیر سیستم :حد فاصل زیر و بمی صدا، انرژی حوزه زمان،دامنه فرکانس انرژی ساختارو سازه هارمونیک برای هر هجا (تقسیم با استفاده ازاطلاعات انرژی در بخش سخنرانی صدا) در نظر گرفته شده است.این چهار زیر سیستم به منظور دستیابی به نتایج رقابتی در طبقه بندی گروه های سنی و جنسی متفاوت پیشنهاد گردیده است.برای بهبود کلی عملکرد طبقه بندی، تلفیقی از این هفت زیر سیستم در سطح امتیاز نشان داده شده است.در مقایسه با پایه ی سیستم SVM(3)، "سیستم پایه ی پیشنهاد شده توسط کمیته چالش"، منجر به 5.6٪ بهبود مطلق دقت , در مسائل مربوط به سن و42٪ در مسائل مربوط به جنسیتی در مجموعه توسعه گردید.. ما در مجموعه ی آزمون نهایی،به 3.1٪ و 3.8٪ بهبود مطلق دست یافتیم.
    واژه های کلیدی: تشخیص سن | تشخیص جنسیت | ویژگی های زبرزنجیری | درجه و اوج| ساختارهای هارمونیک | سازه | گسترش چند جمله ای | حداکثراحتمال رگرسیون(بازگشت) خطی | احتمال ابر بردار پیشین وزنی UBM | GMM| SVM| بازنمایی پراکنده | همجوشی و ادغام سطح امتیاز


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 19
    تعداد صفحات فایل doc فارسی: 31

    حجم فایل: 0 کیلوبایت


    قیمت: 25000 تومان  22500 تومان(10% تخفیف)


    توضیحات اضافی:




تعداد نظرات : 0

الزامی
الزامی
الزامی
هوش-مصنوعی
موضوعات