The algorithm is fairly slow to con

The algorithm is fairly slow to converge, typically taking approximately 500 iterations for the model to stabilize. On the 500 MHz Pentium PC used in our experiments, each iteration takes approximately 0.2 seconds. On the same data an MEMM is trained using iterative scaling, which does not require forward-backward calculations, and is thus more effi The MEMM training converges more quickly, stabilizing after approximately 100 iterations. For each model, the Viterbi algorithm is used to label a test set; the experimental results do not sig- nifi change when using forward-backward decoding to minimize the persymbol error rate.

Kết quả (Việt) 1:

Thuật toán là khá chậm để hội tụ, thường tham gia khoảng 500 lặp đi lặp lại cho các mô hình để ổn định. Trên 500 MHz Pentium PC được sử dụng trong các thí nghiệm của chúng tôi, lặp đi lặp lại mỗi mất khoảng cách 0.2 giây. Trên các dữ liệu cùng một MEMM được đào tạo bằng cách sử dụng lặp đi lặp lại rộng, mà không cần tính toán ngược về phía trước, và do đó là thêm lập The MEMM đào tạo hội tụ nhanh hơn, ổn định sau khi khoảng 100 lặp đi lặp lại. Cho mỗi mô hình, các thuật toán Viterbi được sử dụng để nhãn một bộ kiểm tra; Các kết quả thử nghiệm làm không sig-nifi thay đổi khi sử dụng giải mã ngược về phía trước để giảm thiểu tỷ lệ lỗi persymbol.

Kết quả (Việt) 2:

Thuật toán là khá chậm chạp trong việc hội tụ, thường mất khoảng 500 lặp đi lặp lại cho mô hình ổn định. Trên 500 MHz Pentium máy tính được sử dụng trong thí nghiệm của chúng tôi, mỗi lần lặp mất khoảng 0,2 giây. Trên cùng một dữ liệu một MEMM được đào tạo sử dụng rộng lặp đi lặp lại, mà không yêu cầu tính toán về phía trước phía sau, và vì thế hơn về hiệu Việc đào tạo MEMM hội tụ nhanh hơn, ổn định sau khoảng 100 lần lặp lại. Đối với mỗi mô hình, thuật toán Viterbi được sử dụng để đặt tên một bộ kiểm tra; kết quả thí nghiệm không thay đổi hãng Sigma nifi khi sử dụng giải mã về phía trước-lạc hậu để giảm thiểu tỷ lệ lỗi persymbol.