Artificial Neural Network particula

Artificial Neural Network particularly Multi-Layer Perceptrons (MLPs) estimate the HMM state posterior probabilities was proposed by Bourlard et al, [13] which rely on a probabilistic interpretation of the MLPs outputs. Each output unit of MLP is trained to perform a nonparametric estimate of posterior probability of a left-toright CDHMM state given the acoustic observations. This represents a fundamental class of hybrid models. MLPs are used to estimate the state emission probabilities required in HMM as shown in Fig 3. The MLPs in this work consists of M input and N output nodes separated by a number of hidden nodes. The output of each layer forms the input of the consecutive layer. Each output node represents one symbol class corresponding to the phonetic units. The discriminative training of the MLP is performed by the feed-forward algorithm. The initialization of the MLPs weights is chosen randomly.

ผลลัพธ์ (ไทย) 1:

โครงข่ายประสาทเทียมโดยเฉพาะอย่างยิ่งหลายชั้น Perceptrons (MLPs) ประเมินกิจกรรมหลังของรัฐ HMM ถูกนำเสนอโดย Bourlard et al, [13] ซึ่งพึ่งตี probabilistic ของ MLPs แสดงผล แต่ละหน่วยผลผลิตของ MLP คือการฝึกอบรมการประเมิน nonparametric ความน่าเป็นหลังของรัฐ CDHMM toright ซ้ายให้สังเกตอะคูสติก นี้แสดงถึงระดับพื้นฐานรุ่นไฮบริด MLPs จะใช้ในการประเมินกิจกรรมปล่อยก๊าซสถานะที่จำเป็นใน HMM ดังที่แสดงในฟิก 3 MLPs ในงานนี้ประกอบด้วยอินพุต M และ N โหนดออกแยกตามจำนวนที่ซ่อนโหน ผลลัพธ์ของแต่ละชั้นรูปแบบการป้อนข้อมูลของชั้นที่ติดกัน แต่ละโหนดแสดงผลแทนชั้นสัญลักษณ์ที่สอดคล้องกับหน่วยเสียง การฝึก discriminative ของ MLP ที่ดำเนินการ โดยอัลกอริทึมตัวดึงข้อมูลไป การเริ่มต้นน้ำหนัก MLPs ถูกเลือกแบบสุ่ม

ผลลัพธ์ (ไทย) 2:

โครงข่ายประสาทเทียมโดยเฉพาะอย่างยิ่ง Perceptrons หลายชั้น (MLPs) ประเมินความน่าจะเป็นหลังรัฐ HMM ถูกเสนอโดย Bourlard และคณะ [13] ซึ่งพึ่งพาการตีความความน่าจะเป็นของเอาท์พุท MLPs หน่วยการส่งออกของ MLP แต่ละคนจะได้รับการฝึกอบรมในการดำเนินการประมาณไม่อิงพารามิเตอร์ของความน่าจะเป็นหลังของซ้าย toright รัฐ CDHMM ให้สังเกตอะคูสติก นี้แสดงให้เห็นถึงระดับพื้นฐานของรุ่นไฮบริด MLPs จะใช้ในการประเมินความน่าจะเป็นของรัฐปล่อยก๊าซเรือนกระจกที่จำเป็นใน HMM ดังแสดงในรูป 3. MLPs ในงานนี้ประกอบด้วยการป้อนข้อมูล n และ m โหนดแยกออกจากจำนวนโหนดที่ซ่อนอยู่ การส่งออกของแต่ละชั้นรูปแบบการป้อนข้อมูลของชั้นที่ต่อเนื่องกัน แต่ละโหนดส่งออกแสดงให้เห็นถึงระดับสัญลักษณ์หนึ่งที่สอดคล้องกับหน่วยออกเสียง การฝึกอบรมจำแนกของ MLP จะดำเนินการโดยวิธีการป้อนไปข้างหน้า การเริ่มต้นของน้ำหนัก MLPs ถูกสุ่มเลือก

ผลลัพธ์ (ไทย) 3:

การใช้โครงข่ายประสาทเทียมโดยเฉพาะอย่างยิ่งหลายชั้นเพอร์เซปตร ( MLPs ) ประมาณอืมสภาพด้านหลังน่าจะเป็นที่เสนอโดย bourlard et al , [ 13 ] ซึ่งต้องอาศัยการตีความความน่าจะเป็นของ MLPs เอาท์พุท แต่ละหน่วยของผลผลิต MLP คือฝึกให้ทำการประเมินความน่าจะเป็นของตัวซ้ายค่อนข้างสูง cdhmm ด้านหลังได้รับการสังเกตสภาพอะคูสติกนี่เป็นคลาสพื้นฐานของรูปแบบไฮบริด ใช้เพื่อประเมินสภาพ MLPs ความน่าจะเป็นในการใช้นะ ดังแสดงในรูปที่ 3 ที่ MLPs ในงานนี้ประกอบด้วย M ใส่และแยกพุทโหนดโหนดที่ซ่อนอยู่ การแสดงผลของแต่ละชั้น รูปแบบการป้อนข้อมูลของชั้นติดต่อกัน ผลผลิตแต่ละโหนดเป็นหนึ่งสัญลักษณ์ชั้นเรียนที่สอดคล้องกับหน่วยเสียงการแยกของ MLP จะดําเนินการโดย feed-forward ขั้นตอนวิธี การเริ่มต้นของ MLPs น้ำหนักถูกเลือกแบบสุ่ม