3.1 Automatic speech/speaker recogn

3.1 Automatic speech/speaker recognition based on the missing-feature theory
Let yt=(yt(1), ..., yt(B)) denote the feature vector representing the tth frame of the signal and
mt=(mt(1), ..., mt(B)) be the corresponding mask vector determining whether an element of yt
is reliable (equal to 1) or unreliable (equal to 0). Let us consider that speech is modelled by a
Hidden Markov Model (HMM) with state output probabilities modelled by a mixture of
Gaussian distributions with diagonal covariance matrices. In the marginalisation-based
MFT, the observation probability P(yt|s,j) of the feature vector yt at state s and mixture
component j is calculated by integrating out the unreliable elements of the feature vector yt

Kết quả (Việt) 1:

3.1 công nhận bài diễn văn/loa tự động dựa trên lý thuyết thiếu tính năng Hãy để yt=(yt(1),..., yt(B)) biểu thị các véc tơ feature đại diện cho khung tth của tín hiệu và Mt=(Mt(1),..., mt(B)) là tương ứng mặt nạ vector xác định liệu một phần tử của yt là đáng tin cậy (bằng 1) hoặc không đáng tin cậy (bằng 0). Chúng ta hãy xem xét rằng bài phát biểu mô hình của một Ẩn Markov Model (HMM) với trạng thái xác suất đầu ra theo mô hình của một hỗn hợp của Phân phối Gaussian với ma trận hiệp phương sai đường chéo. Trong marginalisation, dựa trên MFT, khả năng quan sát P(yt|s,j) tính năng vector yt tại bang s và hỗn hợp thành phần j được tính bằng cách kết hợp ra không đáng tin cậy các yếu tố của các tính năng vector yt

Kết quả (Việt) 2:

3.1 Tự động nhận dạng giọng nói / loa dựa trên lý thuyết thiếu-Tính năng
Hãy yt = (yt (1), ..., yt (B)) biểu thị các vector đặc trưng đại diện cho khung tth của tín hiệu và
mt = (tấn (1) , ..., mt (B)) là vector mask tương ứng xác định một phần tử của yt
là đáng tin cậy (bằng 1) hoặc không đáng tin cậy (bằng 0). Chúng ta hãy xem bài phát biểu đó được mô hình hóa bởi một
Hidden Markov Model (HMM) với xác suất đầu ra nhà nước theo mô hình của một hỗn hợp của
các phân phối Gaussian với ma trận hiệp phương sai chéo. Trong lề dựa trên
MFT, quan sát xác suất P (yt | s, j) của yt tính năng vector ở trạng thái s và hỗn hợp
thành phần j được tính toán bằng cách tích hợp các yếu tố không đáng tin cậy của các yt tính năng vector