The USA pronunciatio的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列特價商品、必買資訊和推薦清單

新穎獨立成份分析應用於隱藏式馬可夫模型分群及未知訊號分離

為了解決The USA pronunciatio的問題，作者陳柏誠 這樣論述：

　　傳統獨立成份分析(independent component analysis, ICA)是利用高階統計量及資訊理論的方法訂定出非高斯特性(non-Gaussianity)或獨立度的量測準則(measurement criterion)，再利用最佳化演算法，找出轉換矩陣，經由此轉換矩陣可以轉換隨機變數至線性獨立之向量空間。此獨立成份分析已被廣泛的應用於未知訊號分離(blind source separation)、資料分群(data clustering)、參數擷取以及很多圖形識別的應用包括腦波訊號分離、去除影像雜訊、語音參數擷取等。本論文的貢獻在於利用假說檢定中的獨立性(indepen

dence)檢定，在驗證各個成份間是否獨立的過程中，推導出以相似度比(likelihood ratio)為基礎的獨立度測量，再根據獨立成份分析中，成份的機率密度函數不得假設為高斯分佈的限制，利用非參數型(non-parametric)之核心密度函數估測(kernel density estimation)的技術來表示成份的機率密度函數，進而求得量測準則。最後使用最小梯度(gradient decent)演算法，迭代求出ICA轉換矩陣。　　我們將本論文所提出的新穎獨立成份分析應用於語音發音差異(pronunciation variation)的分析上。我們是將訓練語料經由獨立成份分析，投影到獨立

成份所形成的向量空間上，每一獨立成份分別代表一種語音特性，因此經過投影後的語音特徵參數，具相同發音差異的特徵參數會群聚。再利用向量量化演算法將訓練語料分群，將分在同一群的訓練語料訓練出隱藏式馬可夫模型(hidden Markov model)。在實驗部份，我們使用TCC300連續音語料庫評估HMM分群在語音辨識上的效果。在未知訊號分離實驗中，我們使用一語音訊號與一音樂訊號，並隨機產生一混合矩陣(mixing matrix)做訊號的混合。原訊號可視為原獨立來源，我們利用獨立成份分析重建出獨立訊號源，並使用原訊號與重建訊號之SIR(signal to interference ratio)來評估分

離的效能。實驗結果顯示，獨立性檢定確實可驗證成份間是否獨立，在無法得知訊號源的機率分佈情況下，使用非參數型機率密度函數逼近法比傳統未知訊號分離法有更佳的分離效果。另外在連續音辨識實驗中，經分群後的隱藏式馬可夫模型可顯著提昇辨識系統效能，實驗證明獨立成份子空間中確實蘊含語音訊號中潛在的發音差異資訊，且經獨立成份投影，增加群與群之間的資料獨立性，使不同發音特性之語料有更正確的分群，並且使訓練出的隱藏式馬可夫模型更契合發音變異。