A development of the above prosodic

A development of the above prosodic measure was inspired by similar approaches of
constructing distance measures on clusters with distances that are defined only on cluster
samples (Theodoridis & Koutroumbas, 2003). In our case we used the Mahalanobis
distance, which was computed for principal components of the prosodic features derived
from the corresponding speaker segments. This was done so as to reduce the possible
correlation effects of the selected prosodic features and to remove the influences of the
different scalar ranges of the features on the distance computations. Note that the prosodic
measure, defined in (7), operates in the same fashion as the BIC measure, defined in (4):
lower scores correspond to a better similarity between clusters.
To integrate both the similarity scores into a merging criterion of speaker clustering some
kind of score normalization needs to be applied to both similarity measures and the
appropriate fusion scheme of joining both scores has to be defined. We decided to use the
min-max score normalization of both similarity measures (Jain et al., 2005). The normalized
version of the BIC measure from (4) was defined as:
(

Kết quả (Việt) 1:

Một sự phát triển của các biện pháp prosodic ở trên đã được lấy cảm hứng từ phương pháp tiếp cận tương tự như củaxây dựng các biện pháp khoảng cách trên cụm với khoảng cách đã được xác định chỉ trên cụmmẫu (Theodoridis & Koutroumbas, 2003). Trong trường hợp của chúng tôi, chúng tôi sử dụng các Mahalanobiskhoảng cách được tính cho các thành phần chính của các tính năng prosodic có nguồn gốctừ các phân đoạn tương ứng của loa. Điều này được thực hiện để giảm có thểmối tương quan ứng các tính năng prosodic được lựa chọn và loại bỏ các ảnh hưởng của cácphạm vi vô hướng khác nhau của các tính năng trên tính toán khoảng cách. Lưu ý rằng các prosodicbiện pháp, được xác định trong (7), hoạt động trong cùng một thời trang như biện pháp BIC, được định nghĩa trong (4):điểm số thấp hơn tương ứng với một điểm giống nhau hơn giữa cụm.Tích hợp cả hai điểm số tương tự thành một tiêu chí merging loa clustering một sốloại bình thường hóa điểm cần phải được áp dụng cho cả hai biện pháp tương tự và cácSơ đồ phản ứng tổng hợp thích hợp tham gia cả hai điểm đã được xác định. Chúng tôi quyết định sử dụng cácMin-max điểm bình thường của cả hai biện pháp tương tự (Jain và ctv., 2005). Các bình thườngCác phiên bản của đo lường BIC từ (4) được định nghĩa là:(

Kết quả (Việt) 2:

Một sự phát triển của các biện pháp điệu tính trên được lấy cảm hứng từ cách tiếp cận tương tự
xây dựng biện pháp cách ly trên cụm với khoảng cách được xác định chỉ trên cụm
mẫu (Theodoridis & Koutroumbas, 2003). Trong trường hợp của chúng tôi, chúng tôi sử dụng các Mahalanobis
khoảng cách, mà đã được tính toán cho các thành phần chính của các tính năng điệu tính có nguồn gốc
từ phân khúc loa tương ứng. Điều này đã được thực hiện để làm giảm khả năng
tác động tương quan của các tính năng điệu tính chọn lọc và loại bỏ những ảnh hưởng của
dãy vô hướng khác nhau của các tính năng trên các tính toán khoảng cách. Lưu ý rằng các điệu tính
biện pháp, quy định tại (7), hoạt động trong cùng một thời trang như các biện pháp BIC, được định nghĩa trong (4):
. Điểm số thấp hơn tương ứng với một sự giống nhau tốt hơn giữa các cụm
Để tích hợp cả các điểm giống nhau thành một tiêu chí kết hợp của loa phân nhóm một số
loại điểm bình thường cần phải được áp dụng cho cả các biện pháp tương tự và các
chương trình hợp thích hợp của việc gia nhập cả điểm số đã được xác định. Chúng tôi quyết định sử dụng
min-max điểm bình thường của cả hai biện pháp tương tự (Jain et al., 2005). Việc bình thường hóa
phiên bản của biện pháp BIC từ (4) được định nghĩa là:
(