The baseline BIC approach: (describ

The baseline BIC approach: (described in Section 2.2)
The audio data were represented by MFCC features, which were composed of the first
12 cepstral coefficients (without the 0th coefficient) and a short-term energy with the addition of the ΔMFCC features. The ΔMFCC features were computed by estimating
the first-order regression coefficients from the static MFCC features. The features were
derived from audio signals every 10 ms by using 32-ms analysis windows, (Young et
al., 2004). For the estimations of the ΔBIC measure from equation (4) each cluster was
modeled using full-covariance Gaussian distributions, and the penalty factor λ was set
to 3.0, which was chosen according to the optimal clustering performance on the
development dataset.
This approach is referred to as the clust_REF_BIC approach in our experiments.

Kết quả (Việt) 1:

Đường cơ sở phương pháp tiếp cận BIC: (mô tả trong phần 2.2)Dữ liệu âm thanh đã được đại diện bởi các tính năng MFCC, được sáng tác đầu tiên12 cepstral hệ số (nếu không có hệ số 0) và một năng lượng ngắn hạn với việc bổ sung các tính năng ΔMFCC. Các tính năng ΔMFCC được tính toán bởi ước tínhHệ số hồi qui đơn đặt hàng đầu tiên từ các tính năng MFCC tĩnh. Các tính năng đãxuất phát từ tín hiệu âm thanh mỗi 10 ms bằng cách sử dụng 32-ms phân tích windows, (et trẻAl, 2004). Cho estimations các biện pháp ΔBIC từ phương trình (4) mỗi cụmtạo mô hình bằng cách sử dụng phân phối Gaussian full-hiệp phương sai, và hình phạt yếu tố λ đã được thiết lậpđến 3.0, mà đã được lựa chọn theo các tối ưu clustering hiệu suất trên cácsố liệu phát triển.Cách tiếp cận này được gọi là phương pháp tiếp cận clust_REF_BIC trong các thí nghiệm của chúng tôi.

Kết quả (Việt) 2:

Cách tiếp cận BIC cơ bản: (mô tả trong phần 2.2)
các dữ liệu âm thanh đã được đại diện bởi các tính năng MFCC, mà được sáng tác đầu tiên
12 hệ số Cepstral (không có hệ số 0) và một năng lượng ngắn hạn với việc bổ sung các tính năng ΔMFCC. Các tính năng ΔMFCC được tính toán bằng cách ước lượng
các hệ số hồi quy bậc nhất từ các tính năng MFCC tĩnh. Các tính năng đã được
bắt nguồn từ các tín hiệu âm thanh mỗi 10 ms bằng cách sử dụng cửa sổ phân tích 32-ms, (Young et
al., 2004). Đối với các ước tính của các biện pháp ΔBIC từ phương trình (4) mỗi cụm được
mô phỏng bằng toàn hiệp phương sai phân phối Gaussian, và λ yếu tố hình phạt đã được thiết lập
để 3,0, được chọn theo hiệu suất phân nhóm tối ưu trên các
tập dữ liệu phát triển.
Cách tiếp cận này là được gọi là phương pháp tiếp cận clust_REF_BIC trong các thí nghiệm của chúng tôi.