The UBM-MAP-CLR approach: (describe

The UBM-MAP-CLR approach: (described in Section 2.3)
The audio data were represented by the same feature set as was used in the baseline BIC approach, but with the addition of feature warping (Pelecanos & Sridharan, 2001),which was performed on each segment separately. All the GMMs were constructed from 32 diagonal-covariance Gaussian mixtures. The UBM was estimated directly fro the processing audio data by using the expectation-maximization algorithm (Theodoridis & Koutroumbas, 2003). No separate gender-derived models were trained.
The MAP adaptation of (only) the UBM means was performed on each cluster to derive cluster-based GMMs. Next, the clusters where the highest CLR score in equation (5)was achieved were merged at each step of the merging process.This approach is referred to as the clust_UBM_MAP_CLR approach in our
experiments.

Kết quả (Việt) 1:

Phương pháp tiếp cận UBM-bản đồ-CLR: (mô tả trong phần 2.3)Dữ liệu âm thanh đã được đại diện bởi các tính năng tương tự như được sử dụng trong đường cơ sở phương pháp tiếp cận BIC, nhưng với việc bổ sung các tính năng cong vênh (Pelecanos & diep, 2001), được thực hiện trên mỗi đoạn riêng biệt. Tất cả các GMMs đã được xây dựng từ 32 đường chéo-hiệp phương sai Gaussian hỗn hợp. UBM được ước tính trực tiếp fro xử lý dữ liệu âm thanh bằng cách sử dụng các thuật toán cực đại hóa kỳ vọng (Theodoridis & Koutroumbas, 2003). Không có mô hình giới tính có nguồn gốc riêng biệt đào tạo.Phiên bản bản đồ (chỉ) là các phương tiện UBM được thực hiện trên mỗi cụm để lấy được cụm dựa trên GMMs. Tiếp theo, các cụm nơi CLR điểm số cao nhất ở phương trình (5) đã đạt được được sáp nhập ở mỗi bước của quá trình merging. Cách tiếp cận này được gọi là phương pháp tiếp cận clust_UBM_MAP_CLR trong của chúng tôithí nghiệm.

Kết quả (Việt) 2:

Cách tiếp cận UBM-MAP-CLR: (mô tả trong phần 2.3)
các dữ liệu âm thanh đã được đại diện bởi các tính năng như đã được sử dụng trong phương pháp tiếp cận BIC ban đầu, nhưng với việc bổ sung tính năng cong vênh (Pelecanos & Sridharan, 2001), đó là thực hiện trên từng phân khúc riêng biệt. Tất cả các GMMs đã được xây dựng từ 32 hỗn hợp Gaussian chéo-hiệp phương sai. Các UBM ước tính trực tiếp fro các dữ liệu xử lý âm thanh bằng cách sử dụng các thuật toán cực đại hóa kỳ vọng (Theodoridis & Koutroumbas, 2003). Không có mô hình giới có nguồn gốc riêng biệt đã được đào tạo.
Sự thích nghi của MAP (chỉ) các phương tiện UBM được thực hiện trên mỗi cụm để lấy được GMMs theo cụm trường. Tiếp theo, các cụm, nơi số điểm CLR cao nhất trong phương trình (5) đã đạt được sáp nhập tại mỗi bước của cách tiếp cận process.This sáp nhập được gọi là phương pháp tiếp cận của chúng tôi clust_UBM_MAP_CLR trong
thí nghiệm.