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 tính hệ số hồi qui đơn đặt hàng đầu tiên từ các tính năng MFCC tĩnh. Các tính năng đã được bắt nguồn từ tín hiệu âm thanh mỗi 10 ms bằng cách sử dụng 32-ms phân tích windows, (Young và ctv., 2004). Cho estimations các biện pháp ΔBIC từ phương trình (4) mỗi cụm được mô phỏng bằng phân phối Gaussian full-hiệp phương sai, và hình phạt yếu tố λ được thiết lập để 3.0, mà đã được lựa chọn theo hiệu suất tối ưu kết cụm trên số 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 hình hóa sử dụng đầy đủ các hiệp phương sai phân phối Gaussian, và λ yếu tố hình phạt đã được đặt là 3.0, được chọn theo hiệu suất phân nhóm tối ưu trên các số 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.