您的位置： 专家智库 > >

姜涛

作品数：2 被引量：2H指数：1
供职机构：哈尔滨工业大学计算机科学与技术学院更多>>
发文基金：国家重点基础研究发展计划国家高技术研究发展计划更多>>
相关领域：电子电信自动化与计算机技术更多>>

合作作者

文献类型

  • 2篇中文期刊文章

领域

  • 1篇电子电信
  • 1篇自动化与计算...

主题

  • 2篇说话人识别
  • 1篇识别方法
  • 1篇说话人识别方...
  • 1篇说话人识别系...
  • 1篇文本无关
  • 1篇混合模型
  • 1篇高斯
  • 1篇高斯混合
  • 1篇高斯混合模型
  • 1篇补偿方法
  • 1篇粗粒度

机构

  • 2篇哈尔滨工业大...

作者

  • 2篇郑铁然
  • 2篇韩纪庆
  • 2篇姜涛
  • 1篇张光成

传媒

  • 1篇声学学报
  • 1篇高技术通讯

年份

  • 2篇2011
共 2 条 记 录，以下是 1-2
全选 清除 导出
排序方式：
极低错误接受率的说话人识别方法研究
2011年
针对一些说话人识别方法在应用中要面对海量的集外数据，其很低的错误接受率也会带来大量识别错误的情况，进行了极低错误接受率的说话人识别技术的研究，以求在保证召回率的前提下，将错误接受率降低至约万分之一的水平。研究的重点是对经典的高斯混合模型．通用背景模型（GMM-UBM）方法进行了改进，加入一个确认判决机制来进一步拒绝集外误识，尝试了三种确认方法——基于粗粒度分析窗的方法、基于集外竞争模型的方法、基于变化状态统计矢量的方法。实验结果表明，这三种方法都能够有效降低错误接受率指标，其中基于变化状态统计矢量的方法取得了最好的效果。
姜涛韩纪庆郑铁然张光成
关键词：说话人识别
基于高斯混合模型移动因子补偿的说话人识别方法被引量：2
2011年
提出一种模型补偿方法,以克服基于高斯混合模型的文本无关说话人识别系统性能随目标话者训练语料长度减小而下降的问题。该方法首先构造了一个低维的移动空间,每个训练语料较充分说话人模型的自适应过程均可用该空间中的移动因子表示,然后在目标话者训练语料较不充分的条件下,从受训练语料长度影响较小的话者模型分量中学习移动因子,并依据它对受语料长度影响较大的分量进行参数补偿。和基线系统相比,该方法在相同的训练和评测集上,等错误率指标下,获得相对约7%的性能提升。
姜涛韩纪庆郑铁然
关键词：说话人识别系统高斯混合模型补偿方法识别方法文本无关
全选 清除 导出
共1页<1>
聚类工具0