Most of the existing classification

Most of the existing classification methods, used for voice pathology assessment, are built based on labeled pathological and normal voice signals. This paper studies the problem of building a classifier using labeled and unlabeled data. We propose a novel learning technique, called Partitioning and Biased Support Vector Machine Classification (PBSVM), which tries to utilize all the available data in two steps: (1) a new heuristically partition-based algorithm, which extracts high quality pathological and normal samples from an unlabeled set, and (2) a more principle approach based on biased formulation of support vector machine, which is fairly robust to mislabeling and unbalance data problem. Experiments with wavelet-based energy features extracted from sustained vowels show that the new recognition scheme is highly feasible and significantly outperform the baseline classical SVM classifier, especially in the situation where the labeled training data is small.

ผลลัพธ์ (ไทย) 1:

ส่วนใหญ่ของวิธีการจัดหมวดหมู่ที่มีอยู่ใช้สำหรับการประเมินเสียงพยาธิวิทยาจะสร้างขึ้นบนพื้นฐานทางพยาธิวิทยาและการติดฉลากตามปกติสัญญาณเสียง งานวิจัยนี้ศึกษาปัญหาของการสร้างลักษณนามโดยใช้ข้อมูลที่มีป้ายและไม่มีป้ายติด เรานำเสนอการเรียนรู้เทคนิคใหม่ที่เรียกว่าการสนับสนุนการจัดหมวดหมู่เวกเตอร์เครื่องแบ่งพาร์ทิชันและแคบ (pbsvm)ซึ่งพยายามที่จะใช้ประโยชน์จากข้อมูลทั้งหมดที่มีอยู่ในขั้นตอนที่สอง: (1) อัลกอริทึม heuristically พาร์ทิชันที่ใช้ใหม่ซึ่งสารสกัดจากตัวอย่างที่มีคุณภาพสูงและปกติท​​างพยาธิวิทยาจากชุดที่ไม่มีป้ายกำกับและ (2) วิธีการหลักการมากขึ้นตามสูตรลำเอียงของการสนับสนุน เครื่องเวกเตอร์ซึ่งเป็นที่ค่อนข้างมีประสิทธิภาพเพื่อ mislabeling และปัญหาความไม่สมดุลของข้อมูลการทดลองกับ wavelet ตามคุณลักษณะพลังงานที่สกัดจากสระยั่งยืนแสดงให้เห็นว่ารูปแบบการรับรู้ใหม่เป็นไปได้สูงและมีประสิทธิภาพสูงกว่าอย่างมีนัยสำคัญพื้นฐานลักษณนาม SVM คลาสสิกโดยเฉพาะอย่างยิ่งในสถานการณ์ที่ระบุข้อมูลการฝึกอบรมที่มีขนาดเล็ก

ผลลัพธ์ (ไทย) 2:

ส่วนใหญ่วิธีการจัดประเภทที่มีอยู่ ใช้ในการประเมินเสียงพยาธิ มีสร้างตามสัญญาณเสียงทางพยาธิวิทยา และปกติป้าย กระดาษนี้ศึกษาปัญหาของอาคาร classifier ใช้ข้อมูลป้าย และไม่ เราเสนอนวนิยายเรียนเทคนิค Partitioning และลำเอียงสนับสนุนเวกเตอร์เครื่องจักรประเภท (PBSVM), ที่พยายามใช้ข้อมูลที่มีทั้งหมดสองขั้นตอน: ขั้นตอน (1) แบบใหม่สำนึกพาร์ติชันใช้ วิธี ซึ่งสารสกัดคุณภาพที่ทางพยาธิวิทยา และปกติตัวอย่างจากชุดที่ไม่เป็น และ (2) เพิ่มเติมหลักการวิธีตามกำหนด biased สนับสนุนเวกเตอร์ เครื่องซึ่งค่อนข้างแข็งแกร่งและอันที่เป็น mislabeling ปัญหาของข้อมูล ทดลองกับคุณลักษณะพลังงานตาม wavelet สกัดจาก sustained สระดูว่าโครงร่างการรับรู้ใหม่เป็นไปได้สูง และประสิทธิภาพยิ่งกว่าที่พื้นฐานคลาสสิก SVM classifier โดยเฉพาะอย่างยิ่งในสถานการณ์ที่ข้อมูลการฝึกอบรมที่มีป้ายชื่อมีขนาดเล็กมาก

ผลลัพธ์ (ไทย) 3:

วิธีการการแบ่ง ประเภท ที่มีอยู่ใช้งานมากที่สุดสำหรับการประเมินผลการปฏิบัติงานทางพยาธิวิทยาด้วยเสียงได้รับสร้างขึ้นตามสัญญาณเสียงมีพฤติกรรมปกติและมีข้อความ เอกสารนี้การศึกษาปัญหาของตัวอาคารข้าวโดยใช้ข้อมูลและไม่มีข้อความ เราเสนอเทคนิคการเรียนรู้ใหม่ที่เรียกว่าการแบ่งพาร์ติชั่นและอุปทานหรือการสนับสนุนเครื่องการจำแนก ประเภท ( pbsvm )ซึ่งจะพยายามที่จะใช้ข้อมูลที่มีอยู่ทั้งหมดในสองขั้นตอนที่( 1 )อัลกอริธึมใหม่ heuristically พาร์ติชันที่ใช้สารสกัดจากสาหร่ายที่มี คุณภาพ สูงและมีพฤติกรรมตัวอย่างปกติจากตั้งค่าไม่ได้และ( 2 )การใช้หลักการมากกว่าที่ใช้หลักอุปทานของเครื่องเวกเตอร์การสนับสนุนซึ่งมีขนาดค่อนข้างมีความแข็งแกร่งในการแก้ปัญหาเรื่องข้อมูล mislabeling และประเด็น.การทดลองพร้อมด้วยคุณลักษณะการประหยัดพลังงาน wavelet - ใช้สกัดจากกกาได้รับแสดงให้เห็นว่าโครงสร้างการยอมรับใหม่ที่จะทำได้และให้ความสำคัญเป็นอย่างสูงเร่งพัฒนาขีดความสามารถด้านพื้นฐานที่คลาสสิค SVM ลักษณนามโดยเฉพาะในสถานการณ์ที่มีข้อมูลการฝึกอบรมมีข้อความที่มีขนาดเล็ก