The uncertainty in parameter estima

The uncertainty in parameter estimation due to the adverse environments deteriorates the classification performance for speech recognition. It becomes crucial to incorporate the parameter uncertainty into decision so that the classification robustness can be assured. We propose a novel linear regression based Bayesian predictive classification (LRBPC) for robust speech recognition. This framework is constructed under the paradigm of linear regression adaptation of speech hidden Markov models (HMMs)

ผลลัพธ์ (ไทย) 1:

ความไม่แน่นอนในการประมาณค่าพารามิเตอร์เนื่องจากสภาพแวดล้อมที่เลวร้ายเสื่อมประสิทธิภาพการทำงานการจัดประเภทสำหรับการรู้จำเสียง มันกลายเป็นสิ่งสำคัญในการรวมพารามิเตอร์ความไม่แน่นอนในการตัดสินใจเพื่อให้ความทนทานการจัดประเภทสามารถมั่นใจได้ เราเสนอการถดถอยเชิงเส้นนวนิยายตามทฤษฎีจำแนกทำนาย (LRBPC) การรู้จำเสียงทนทาน กรอบนี้จะถูกสร้างขึ้นภายใต้กระบวนทัศน์ของการถดถอยเชิงเส้นปรับรุ่นเสียงซ่อน Markov (HMMs)

ผลลัพธ์ (ไทย) 2:

ความไม่แน่นอนในการประมาณค่าพารามิเตอร์เนื่องจากสภาพแวดล้อมที่ไม่พึงประสงค์เสื่อมประสิทธิภาพการจัดหมวดหมู่สำหรับการรู้จำเสียงพูด มันจะกลายเป็นสิ่งสำคัญที่จะรวมความไม่แน่นอนของพารามิเตอร์ในการตัดสินใจเพื่อให้ทนทานจำแนกสามารถมั่นใจได้ เรานำเสนอการถดถอยเชิงเส้นตามนวนิยาย Bayesian Classification ทำนาย (LRBPC) สำหรับการจดจำเสียงที่แข็งแกร่ง กรอบนี้ถูกสร้างขึ้นภายใต้กระบวนทัศน์ของการปรับตัวการถดถอยเชิงเส้นในการพูดแบบจำลองมาร์คอฟที่ซ่อนอยู่ (HMMs)

ผลลัพธ์ (ไทย) 3:

ความไม่แน่นอนในการประมาณค่าพารามิเตอร์ เนื่องจากสภาพแวดล้อมที่ไม่พึงประสงค์เสื่อมประสิทธิภาพการจำแนกสำหรับการรู้จำเสียงพูด . มันเป็นสิ่งสำคัญที่จะรวมค่าความไม่แน่นอนในการตัดสินใจเพื่อการทนทานสามารถมั่นใจได้ . เราเสนอนวนิยายการถดถอยเชิงเส้นแบบพยากรณ์การ ( lrbpc ) สำหรับการรู้จำเสียงพูดที่แข็งแกร่ง กรอบนี้จะถูกสร้างขึ้นภายใต้กระบวนทัศน์ของการถดถอยเชิงเส้นของการพูดแบบจำลองฮิดเดนมาร์คอฟ ( hmms )