Earticle

현재 위치 Home

Using Gaussian Mixtures for Hindi Speech Recognition System

첫 페이지 보기
  • 발행기관
    보안공학연구지원센터(IJSIP) 바로가기
  • 간행물
    International Journal of Signal Processing, Image Processing and Pattern Recognition 바로가기
  • 통권
    Vol.4 No.4 (2011.12)바로가기
  • 페이지
    pp.157-170
  • 저자
    R. K. Aggarwal, M. Dave
  • 언어
    영어(ENG)
  • URL
    https://www.earticle.net/Article/A167082

※ 원문제공기관과의 협약기간이 종료되어 열람이 제한될 수 있습니다.

원문정보

초록

영어
The goal of automatic speech recognition (ASR) system is to accurately and efficiently convert a speech signal into a text message independent of the device, speaker or the environment. In general the speech signal is captured and pre-processed at front-end for feature extraction and evaluated at back-end using the Gaussian mixture hidden Markov model. In this statistical approach since the evaluation of Gaussian likelihoods dominate the total computational load, the appropriate selection of Gaussian mixtures is very important depending upon the amount of training data. As the small databases are available to train the Indian languages ASR system, the higher range of Gaussian mixtures (i.e. 64 and above), normally used for European languages, cannot be applied for them. This paper reviews the statistical framework and presents an iterative procedure to select an optimum number of Gaussian mixtures that exhibits maximum accuracy in the context of Hindi speech recognition system.

목차

Abstract
 1. Introduction
 2. Design and Modeling of ASR
  2.1 Structure and Working
  2.2 Data Preparation for Indian Languages
 3. Feature Extraction and Reduction
  3.1 Standard MFCC
  3.2 Extended MFCC
  3.3 Robust Features
 4. Gaussian Mixture HMM
  4.1 Phonetic Representation of Speech Signals
  4.2 Hidden Markov Model
  4.3 Database for Speech Recognition
  4.4 Mixtures of Multivariate Gaussian
  4.5 Large Margin Training of GMM
 5. Experimental Results
  5.1 Experiment with Different Mixtures
  5.2 Experiment with Different Vocabulary Sizes
  5.3 Experiment with Different Training Methods
  5.4 Experiment with Different Modelling Units
 6. Conclusion
 References

키워드

ASR HMM MFCC HLDA Gaussian mixture Hindi Feature extraction Acoustic modelling MLE MPE

저자

  • R. K. Aggarwal [ Associate Professor, Department of Computer Engineering, NIT, Kurukshetra, (Haryana), India ]
  • M. Dave [ Associate Professor, Department of Computer Engineering, NIT, Kurukshetra, (Haryana), India ]

참고문헌

자료제공 : 네이버학술정보

간행물 정보

발행기관

  • 발행기관명
    보안공학연구지원센터(IJSIP) [Science & Engineering Research Support Center, Republic of Korea(IJSIP)]
  • 설립연도
    2006
  • 분야
    공학>컴퓨터학
  • 소개
    1. 보안공학에 대한 각종 조사 및 연구 2. 보안공학에 대한 응용기술 연구 및 발표 3. 보안공학에 관한 각종 학술 발표회 및 전시회 개최 4. 보안공학 기술의 상호 협조 및 정보교환 5. 보안공학에 관한 표준화 사업 및 규격의 제정 6. 보안공학에 관한 산학연 협동의 증진 7. 국제적 학술 교류 및 기술 협력 8. 보안공학에 관한 논문지 발간 9. 기타 본 회 목적 달성에 필요한 사업

간행물

  • 간행물명
    International Journal of Signal Processing, Image Processing and Pattern Recognition
  • 간기
    격월간
  • pISSN
    2005-4254
  • 수록기간
    2008~2016
  • 십진분류
    KDC 505 DDC 605

이 권호 내 다른 논문 / International Journal of Signal Processing, Image Processing and Pattern Recognition Vol.4 No.4

    피인용수 : 0건 (자료제공 : 네이버학술정보)

    함께 이용한 논문 이 논문을 다운로드한 분들이 이용한 다른 논문입니다.

      출처 : 네이버학술정보

        0개의 논문이 장바구니에 담겼습니다.

        페이지 저장
        소속기관 조회
        이용자님의 소속기관(단체)이 서비스에 가입되어 있는지 확인해 보십시오.
        기관회원에 소속되어 있는 이용자는 원문을 무료로 이용할 수 있습니다.