In this MLPs based phoneme classifi

In this MLPs based phoneme classifier, 39 dimensional of MFCC feature vectors are served as an input data of MLP input layer which is fully-connected to one hidden layer. The output layer has 53 neurons corresponding to the Thai phonetic units. In the hidden layer, the sigmoid function is used as an activation function. A number of hidden nodes are changed through the experiments for the best results.
As all HMMs use the same MLP as source for their PDFs in continuous HMM, The output probability of each state of the HMM is computed by a weighted sum of a fixed number I of PDFs:

ผลลัพธ์ (ไทย) 1:

ใน MLPs ตามหน่วยเสียง classifier มิติของเวกเตอร์คุณลักษณะ MFCC 39 เสิร์ฟข้อมูลการป้อนข้อมูลของ MLP ชั้นอินพุตซึ่งครบครันเชื่อมต่อกับชั้นหนึ่งซ่อนอยู่ ชั้นออก 53 neurons ที่สอดคล้องกับหน่วยเสียงไทยได้ ชั้นที่ซ่อนอยู่ ใช้ sigmoid ฟังก์ชันเป็นฟังก์ชันการเรียกใช้ มีการเปลี่ยนแปลงจำนวนซ่อนโหนผ่านการทดลองในสุด ใช้ HMMs ทั้ง MLP เดียวกันเป็นแหล่งที่มาของไฟล์ Pdf ใน HMM ต่อเนื่อง ความน่าเป็นผลผลิตของแต่ละรัฐของ HMM ที่คำนวณ โดยถ่วงน้ำหนักรวมของคงหมายเลขผมไฟล์ Pdf:

ผลลัพธ์ (ไทย) 2:

ใน MLPs นี้ตามลักษณนามฟอนิม, 39 มิติของ MFCC คุณลักษณะเวกเตอร์จะทำหน้าที่เป็นผู้ป้อนข้อมูลของชั้นการป้อน MLP ที่มีใจรักการเชื่อมต่อกับชั้นหนึ่งที่ซ่อนอยู่ ชั้นเอาท์พุทมี 53 เซลล์ประสาทที่เกี่ยวข้องกับหน่วยออกเสียงไทย ที่ซ่อนอยู่ในชั้นฟังก์ชั่น sigmoid ใช้เป็นฟังก์ชั่นการเปิดใช้งาน จำนวนโหนดที่ซ่อนอยู่มีการเปลี่ยนแปลงผ่านการทดลองเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด.
ในฐานะที่เป็น HMMs ทั้งหมดใช้ MLP เดียวกับแหล่งที่มาสำหรับไฟล์ PDF ของพวกเขาในอืมอย่างต่อเนื่องน่าจะเป็นการส่งออกของแต่ละรัฐของ HMM คำนวณโดยผลรวมถ่วงน้ำหนักของจำนวนคงที่ ผมของไฟล์ PDF:

ผลลัพธ์ (ไทย) 3:

ในนี้ใช้หน่วยเสียงแบบ MLPs , 39 มิติของค่าคุณลักษณะเวกเตอร์มีหน้าที่เป็นข้อมูลนำเข้าของ MLP ใส่ชั้น ซึ่งเชื่อมต่อกับหนึ่งที่ซ่อนอยู่เต็มชั้น การแสดงผลชั้นมี 53 เซลล์ประสาทที่คนไทยออกเสียงหน่วย ในชั้นซ่อน ฟังก์ชันที่ใช้เป็นแบบเปิดใช้งานฟังก์ชันโหนดที่ซ่อนการเปลี่ยนแปลงผ่านการทดลองสำหรับผลลัพธ์ที่ดีที่สุด
เป็นทั้งหมด hmms ใช้ MLP เช่นเดียวกับแหล่งที่มาของไฟล์ PDF ของพวกเขาในอืมอย่างต่อเนื่อง ผลผลิต ความน่าจะเป็นของแต่ละรัฐของแบบจำลองคำนวณโดยผลรวมถ่วงน้ำหนักของแก้ไขตัวเลขชั้นของไฟล์ PDF :