he second part of the chapter prese

he second part of the chapter presents an employment of the estimated spectral voicing
information within the speech and speaker recognition based on the missing-feature theory
(MFT) for improving noise robustness. There have been several different approaches to
improve robustness against noise. Assuming availability of some knowledge about the
noise, such as spectral characteristics or stochastic model of noise, speech signal can be
enhanced prior to its employment in the recogniser, e.g., (Boll, 1979; Vaseghi, 2005; Zou et
al., 2007), or noise-compensation techniques can be applied in the feature or model domain
to reduce the mismatch between the training and testing data, e.g., (Gales & Young, 1996).
Recently, the missing feature theory (MFT) has been used for dealing with noise corruption
in speech and speaker recognition, e.g., (Lippmann & Carlson, 1997; Cooke et al. 2001;
Drygajlo &. El-Maliki, 1998). In this approach, the feature vector is split into a sub-vector of
reliable and unreliable features (considering a binary reliability). The unreliable features are
considered to be dominated by noise and thus their effect is eliminated during the
recognition, for instance, by marginalising them out. The performance of the MFT method
depends critically on the accuracy of the feature reliability estimation. The reliability of
spectral-based features can be estimated based on measuring the local signal-to-noise ratio
(SNR) (Drygajlo &. El-Maliki, 1998; Renevey & Drygajlo, 2000) or employing a separate
classification system (Seltzer et al., 2004). We demonstrate that the employment of the
spectral voicing information can play a significant role in the reliability estimation problem.
Experimental evaluation is presented for MFT-based speech and speaker recognition and
significant recognition accuracy improvements are demonstrated.

Kết quả (Việt) 1:

ông lần thứ hai một phần của chương trình bày một việc làm của lồng tiếng phổ ước tính thông tin trong sự công nhận bài phát biểu và loa dựa trên lý thuyết thiếu tính năng (MFT) để cải thiện tiếng ồn mạnh mẽ. Đã có một số phương pháp tiếp cận khác nhau để cải thiện mạnh mẽ chống lại tiếng ồn. Giả sử tính khả dụng của một số kiến thức về các tiếng ồn, chẳng hạn như đặc điểm quang phổ hoặc các mô hình ngẫu nhiên của tiếng ồn, tiếng nói tín hiệu có thể nâng cao trước việc làm của mình ở recogniser, ví dụ: (Boll, năm 1979; Vaseghi, 2005; Zou et Al., 2007), hoặc bồi thường thiệt hại tiếng ồn kỹ thuật có thể được áp dụng trong tính năng hoặc kiểu miền để giảm bớt không phù hợp giữa đào tạo và kiểm tra dữ liệu, ví dụ: (Gales & Young, 1996). Gần đây, lý thuyết tính năng còn thiếu (MFT) đã được sử dụng để đối phó với tiếng ồn tham nhũng trong bài phát biểu và diễn giả công nhận, ví dụ: (Lippmann & Carlson, năm 1997; Cooke et al. năm 2001; Drygajlo &. El-Maliki, 1998). Trong cách tiếp cận này, tính năng vector được chia thành một vector phụ của tính năng đáng tin cậy và không đáng tin cậy (xem xét độ tin cậy nhị phân). Các tính năng không đáng tin cậy được coi là được chi phối bởi tiếng ồn và do đó hiệu quả của họ được loại bỏ trong các công nhận, ví dụ, bằng cách marginalising chúng ra. Hiệu suất của các phương pháp MFT phụ thuộc nghiêm trọng vào tính chính xác của dự toán đáng tin cậy của tính năng. Độ tin cậy tính năng dựa trên quang phổ có thể được ước tính dựa trên đo tỷ lệ tín hiệu-to-noise địa phương (SNR) (Drygajlo &. El-Maliki, 1998; Renevey & Drygajlo, 2000) hoặc sử dụng một riêng biệt Hệ thống phân loại (Seltzer et al, 2004). Chúng tôi chứng minh rằng việc làm của các lồng tiếng phổ thông tin có thể chơi một vai trò quan trọng trong vấn đề dự toán đáng tin cậy. Đánh giá thử nghiệm được trình bày cho MFT dựa trên ngôn luận và loa sự công nhận và những cải tiến đáng kể sự công nhận chính xác được chứng minh.

Kết quả (Việt) 2:

ông phần thứ hai của chương trình bày một việc làm của quang phổ bày tỏ ước tính
thông tin trong các bài phát biểu và diễn giả công nhận dựa trên các thiếu-tính năng lý thuyết
(MFT) để cải thiện tiếng ồn mạnh mẽ. Đã có cách tiếp cận khác nhau để
cải thiện mạnh mẽ chống lại tiếng ồn. Giả sử sẵn có của một số kiến thức về
tiếng ồn, chẳng hạn như đặc tính quang phổ hoặc mô hình ngẫu nhiên của tiếng ồn, tín hiệu tiếng nói có thể được
tăng cường trước khi làm việc của nó trong recogniser, ví dụ như, (Boll, 1979; Vaseghi, 2005; Zou et
al., 2007) hoặc các kỹ thuật tiếng ồn bồi thường có thể được áp dụng trong các tính năng hoặc mô hình tên miền
để giảm sự không phù hợp giữa đào tạo và kiểm tra dữ liệu, ví dụ như, (Gales & Young, 1996).
Gần đây, các tính năng còn thiếu thuyết (MFT) đã được sử dụng để đối phó với tham nhũng nhiễu
trong bài phát biểu và công nhận loa, ví dụ như, (Lippmann & Carlson, 1997; Cooke et al 2001;.
. Drygajlo & El-Maliki, 1998). Trong phương pháp này, các vector đặc trưng được chia thành tiểu vector của các
tính năng đáng tin cậy và không đáng tin cậy (xem xét độ tin cậy nhị phân). Các tính năng đáng tin cậy được
coi là bị chi phối bởi tiếng ồn và do đó hiệu quả của chúng được loại bỏ trong quá trình
công nhận, ví dụ, bởi marginalizing chúng ra. Hiệu suất của phương pháp MFT
phụ thuộc rất nhiều vào độ chính xác của ước lượng tính năng độ tin cậy. Độ tin cậy của
các tính năng phổ dựa trên có thể được ước tính dựa trên việc đo địa phương tín hiệu-to-noise ratio
(SNR) (Drygajlo & El-Maliki, 1998;. Renevey & Drygajlo, 2000) hoặc sử dụng riêng biệt
hệ thống phân loại (Seltzer et al ., 2004). Chúng tôi chứng minh rằng việc làm của các
thông tin lên tiếng phổ có thể đóng một vai trò quan trọng trong vấn đề ước lượng độ tin cậy.
Đánh giá thực nghiệm được trình bày cho bài phát biểu MFT-dựa và công nhận loa và
cải thiện độ chính xác nhận đáng kể được chứng minh.