基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
相关向量机(RVM)分类法使用概率输出克服了支持向量机(SVM)识别速率低的缺点,并且具有更好的稀疏性.但在与文本无关的话者辨别中,大量训练样本数据体现了RVM在模型训练时计算量与内存需求过大的缺点.针对以上特点,提出基于GMM统计特征参数与RVM融合的与文本无关的语者辨别系统,既有效地提取话者特征信息,解决大样本数据下的RVM训练问题,又结合统计模型鲁棒性高和分辨模型辨别效果好的优点.实验结果证明,该系统比基本的GMM系统具有更优的错误辨别率,比GMM/SVM系统具有更高的稀疏性.
推荐文章
基于GMM统计特性参数和SVM的话者确认
高斯混合模型
统计参数
支持向量机
话者确认
多变量自回归信号信息融合辨识方法
多变量AR模型
信息融合多段辨识方法
多重递推辅助变量法
信息融合估值器
一致性
基于自然进化机制的话者模板优化
话者模板
优化
自然进化机制
基于 AIC 的 RVM 核参数选择方法及其应用
径向基函数
核参数
相关向量机
微分进化算法
AIC 准则
黄金价格
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 GMM与RVM融合的话者辨识方法
来源期刊 计算机工程 学科 工学
关键词 相关向量机 高斯混合模型 话者辨别 支持向量机
年,卷(期) 2010,(15) 所属期刊栏目
研究方向 页码范围 168-170
页数 分类号 TP18
字数 3436字 语种 中文
DOI 10.3969/j.issn.1000-3428.2010.15.059
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 王万良 浙江工业大学信息学院 303 3770 29.0 48.0
2 郑建炜 浙江工业大学信息学院 42 161 7.0 10.0
3 郑泽萍 浙江工业大学信息学院 3 12 2.0 3.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (1)
共引文献  (10)
参考文献  (4)
节点文献
引证文献  (6)
同被引文献  (5)
二级引证文献  (25)
1999(1)
  • 参考文献(0)
  • 二级参考文献(1)
2001(2)
  • 参考文献(2)
  • 二级参考文献(0)
2006(1)
  • 参考文献(1)
  • 二级参考文献(0)
2007(1)
  • 参考文献(1)
  • 二级参考文献(0)
2010(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2012(2)
  • 引证文献(2)
  • 二级引证文献(0)
2013(4)
  • 引证文献(1)
  • 二级引证文献(3)
2014(6)
  • 引证文献(2)
  • 二级引证文献(4)
2015(1)
  • 引证文献(0)
  • 二级引证文献(1)
2016(2)
  • 引证文献(0)
  • 二级引证文献(2)
2017(7)
  • 引证文献(1)
  • 二级引证文献(6)
2018(4)
  • 引证文献(0)
  • 二级引证文献(4)
2019(5)
  • 引证文献(0)
  • 二级引证文献(5)
研究主题发展历程
节点文献
相关向量机
高斯混合模型
话者辨别
支持向量机
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机工程
月刊
1000-3428
31-1289/TP
大16开
上海市桂林路418号
4-310
1975
chi
出版文献量(篇)
31987
总下载数(次)
53
总被引数(次)
317027
相关基金
国家自然科学基金
英文译名:the National Natural Science Foundation of China
官方网址:http://www.nsfc.gov.cn/
项目类型:青年科学基金项目(面上项目)
学科类型:数理科学
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导