语种辨识的多特征信息应用

doi:10.3778/j.issn.1002-8331.2010.25.043

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (25): 146-148.DOI: 10.3778/j.issn.1002-8331.2010.25.043

• 数据库、信号与信息处理 • 上一篇下一篇

语种辨识的多特征信息应用

曾秀花^1，2，杨鉴²，徐永华²

1.曲靖师范学院物理与电子工程学院，云南曲靖 655011
2.云南大学信息学院，昆明 650091

收稿日期:2009-12-09 修回日期:2010-04-13 出版日期:2010-09-01 发布日期:2010-09-01
通讯作者: 曾秀花

Application of multiple speech features to language identification

ZENG Xiu-hua^1，2，YANG Jian²，XU Yong-hua²

1.School of Physics & Electronic Engineering，Qujing Normal University，Qujing，Yunnan 655011，China
2.School of Information Science and Engineering，Yunnan University，Kunming 650091，China

Received:2009-12-09 Revised:2010-04-13 Online:2010-09-01 Published:2010-09-01
Contact: ZENG Xiu-hua

摘要/Abstract

摘要： 提取动态的高层语言学特征建立了改进的语种相关的、联合的GMM-LM语种辨识方案。该方案减小了不同语种的高斯混合模型和语言模型之间的相关性，也降低了训练的复杂度。还提出了基于特征提取层和判决层融合技术的语种辨识系统。该系统利用了不同类型的特征对区分不同语种的贡献来增加不同语种语料之间的差异，并使相同语种的语料之间的差异减小。实验表明，设计的语种辨识系统具有较好的扩展性；基于特征提取层和判决层的融合系统能够有效地提高系统识别率。

关键词: 语种识别, 高斯混合模型, 特征融合

Abstract: Dynamic high-level language cues are extracted to build the language-dependent and combined GMM-LM language identification system which decreases the correlation between Gaussian Mixture Model and Language Model.It also reduces the training complexity.The feature-level and decision-level multiple features fusion is proposed to the GMM-LM system which distinguishes multiple languages using different feature cues.This system can maximize the speech diversity of different languages and minimize the speech diversity of same languages.It concludes that this modified Gaussian Mixture Model recognizer followed by Language Model has better system expansibi1ity；meanwhile the fusion systems based on feature-level and decision-level can get better performance.

Key words: language recognition, Gaussian mixture model, feature fusion

中图分类号:

TP391

曾秀花^1，2，杨鉴²，徐永华². 语种辨识的多特征信息应用[J]. 计算机工程与应用, 2010, 46(25): 146-148.

ZENG Xiu-hua^1，2，YANG Jian²，XU Yong-hua². Application of multiple speech features to language identification[J]. Computer Engineering and Applications, 2010, 46(25): 146-148.

[1]	陆莉霞，邹俊忠，郭玉成，张见，王蓓. 多模态融合的膝关节损伤预测[J]. 计算机工程与应用, 2021, 57(9): 225-232.
[2]	王玲，王家沛，王鹏，孙爽滋. 融合注意力机制的孪生网络目标跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 169-174.
[3]	李明山，韩清鹏，张天宇，王道累. 改进SSD的安全帽检测方法[J]. 计算机工程与应用, 2021, 57(8): 192-197.
[4]	潘沛鑫，潘中良. 结合显著性的主动轮廓图像分割[J]. 计算机工程与应用, 2021, 57(8): 225-230.
[5]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[6]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[7]	韩文静，罗晓曙，杨日星. 一种复合型手势识别方法研究[J]. 计算机工程与应用, 2021, 57(4): 108-113.
[8]	赵辉，李志伟，方禄发. 特征信息增强的单发多框检测器算法[J]. 计算机工程与应用, 2021, 57(4): 148-154.
[9]	王殿伟，赵梦影，刘颖，宋海军，谢永军. 改进的R-SSD全景视频图像车辆检测算法[J]. 计算机工程与应用, 2021, 57(3): 189-195.
[10]	肖瑞雪，冯英伟，屈建萍. 结合高效特征融合的可变尺寸图像隐写分析[J]. 计算机工程与应用, 2021, 57(24): 126-134.
[11]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.
[12]	滕金保，孔韦韦，田乔鑫，王照乾，李龙. 基于CNN和LSTM的多通道注意力机制文本分类模型[J]. 计算机工程与应用, 2021, 57(23): 154-162.
[13]	王传昱，李为相，陈震环. 基于语音和视频图像的多模态情感识别研究[J]. 计算机工程与应用, 2021, 57(23): 163-170.
[14]	畅雅雯，赵冬青，单彦虎. 多特征融合和自适应聚合的立体匹配算法研究[J]. 计算机工程与应用, 2021, 57(23): 219-225.
[15]	左健豪，姜文刚. 自适应融合特征的人群计数网络[J]. 计算机工程与应用, 2021, 57(21): 203-208.

语种辨识的多特征信息应用

Application of multiple speech features to language identification

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics