检索结果-内蒙古大学图书馆

作者：陈柏宇淡江大學

学位级别：硕士

当今数位音乐越来越流行，人们每天可以简单地透过电脑或智慧型手机的音乐播放软体等即时性地享受音乐，然而庞大的音乐档案数量却也同时对管理者在整理、归纳档案上产生相当程度的困扰。本篇研究旨在运用当今热门之机器学习与深度学习... 详细信息

当今数位音乐越来越流行，人们每天可以简单地透过电脑或智慧型手机的音乐播放软体等即时性地享受音乐，然而庞大的音乐档案数量却也同时对管理者在整理、归纳档案上产生相当程度的困扰。本篇研究旨在运用当今热门之机器学习与深度学习等资料分析方法协助管理者从大量的音乐资料中快速的有效找出符合特定曲风的音乐。本篇研究以R语言实作分析，从音讯档案读取开始，针对音频讯号以常见之梅尔频率倒频谱系数（MFCC）进行特徵萃取，完成後先运用随机投影法之降维方法对资料进行维度缩减，最後再送入分类器执行建模分析，并同时比较资料降维前後对支持向量机（SVM）与卷积神经网路（CNN）预测成效之影响。本研究显示，SVM在运算时间与分类预测正确率之表现皆优於深度学习CNN模型。另一方面，研究结果亦显示随机投影法在音频资料上的维度缩减有不错的表现。

关键词：梅尔频率倒频谱系数资料降维随机投影法支持向量机卷积神经网路

来源：评论

学校读者我要写书评

暂无评论

探討梅爾頻率倒頻譜係數之特徵擷取對國語子音之影響

探討梅爾頻率倒頻譜係數之特徵擷取對國語子音之影響

引用

作者：陳宛余中興大學

学位级别：碩士

本篇论文主要探讨337个中文单音国字针对其子音的辨识，利用梅尔频率倒频谱系数求出特徵值，再用K最近邻居法来建构出语音模型进行比对，观察在哪一种音框长度、特徵值维度、音框摆荡值以及子音加长长度下的参数组合之下，辨识率可以有... 详细信息

本篇论文主要探讨337个中文单音国字针对其子音的辨识，利用梅尔频率倒频谱系数求出特徵值，再用K最近邻居法来建构出语音模型进行比对，观察在哪一种音框长度、特徵值维度、音框摆荡值以及子音加长长度下的参数组合之下，辨识率可以有较好的表现。本论文中，使用取样点为128，特徵值维度30，音框摆荡值0，子音加长400之下的辨识率最高可达95.84%

关键词：梅爾頻率倒頻譜係數 K最近鄰居法

来源：评论

学校读者我要写书评

暂无评论

探討梅爾頻率倒頻譜係數之特徵擷取對國語母音之影響

探討梅爾頻率倒頻譜係數之特徵擷取對國語母音之影響

引用

作者：陳佳妤中興大學

学位级别：碩士

本论文主是要探讨以一声为主的337个国字单音之辨识，利用梅尔频率倒频谱系数求取语音之特徵参数，在求特徵参数的同时，考虑不同的参数组合，再利用K-最近邻居法进行辨识比对，本实验中，我们考虑的实验因子有「音框取样点数」、「子... 详细信息

本论文主是要探讨以一声为主的337个国字单音之辨识，利用梅尔频率倒频谱系数求取语音之特徵参数，在求特徵参数的同时，考虑不同的参数组合，再利用K-最近邻居法进行辨识比对，本实验中，我们考虑的实验因子有「音框取样点数」、「子音终点加长」、「特徵值维度」等三种，在求取特徵参数时，讨论何种组合参数选择，可以达到最佳的辨识率。本实验利用七位特定语者以及本人录制的337个国字进行母音的辨识，七位特定语者的母音辨识率平均可高达98.50％。本人的母音辨识率最高可达97.60％。

关键词：梅爾頻率倒頻譜係數 K-最近鄰居法

来源：评论

学校读者我要写书评

暂无评论

利用k最近鄰居法於分聲調和不分聲調之中文母音辨識及錯誤音之探討

利用k最近鄰居法於分聲調和不分聲調之中文母音辨識及錯誤音之探討

引用

作者：陳貽靖中興大學

学位级别：碩士

本篇论文主要目的是探讨特定语者在1391个所有中文单字中，分声调及不分声调之母音辨识。首先将录制好的语音资料进行前处理，再利用梅尔倒频谱系数来求取特徵参数，最後以K最近邻居法当作辨识方法，而实验因子有「子、母音音框数个数... 详细信息

本篇论文主要目的是探讨特定语者在1391个所有中文单字中，分声调及不分声调之母音辨识。首先将录制好的语音资料进行前处理，再利用梅尔倒频谱系数来求取特徵参数，最後以K最近邻居法当作辨识方法，而实验因子有「子、母音音框数个数」、「音框取样点数」、「音框的特徵值维度」等，在这些不同参数中找出最佳组合。本实验利用二十二位特定语者录制的1391个所有中文单字进行辨识。实验结果发现，在母音音框数为25、特徵值维度为39、音框取样点为256时，不分声调平均辨识率 87.18%，分声调平均辨识率 81.00%。本论文也尝试探讨错误音及如何提高辨识率。

关键词：梅爾頻率倒頻譜係數特徵擷取 K最近鄰居法

来源：评论

学校读者我要写书评

暂无评论

利用共同向量法及基頻軌跡法於中文單音之辨識

Journal of Data Analysis

引用

Journal of Data Analysis 2016年第4期11卷 51-80页

作者：李佩錚張育綸劉懿宸張國清李宗寶江翠蓮

本篇论文主要是利用共同向量法探讨1391 个中文单音之辨识。共同向量法是一种线性子空间分类器，在每一个中文母音类别里，我们将所有训练音的特徵向量投影到一个唯一且共同的特徵向量上作为这个类别的语音模型。其优点为若以训练音做... 详细信息

本篇论文主要是利用共同向量法探讨1391 个中文单音之辨识。共同向量法是一种线性子空间分类器，在每一个中文母音类别里，我们将所有训练音的特徵向量投影到一个唯一且共同的特徵向量上作为这个类别的语音模型。其优点为若以训练音做测试，可以得到100％的辨识率。因此共同向量法为一个简单且容易应用的方法，除了语音辨识外，也可应用於脸部辨识。这篇论文中，我们运用梅尔频率倒频谱系数当作语音的特徵，并将研究分成两部分进行探讨。第一部分主要是中文母音及声调之辨识，其方法是将中文之母音做共同向量法进行辨识，并结合基频轨迹方法，对声调进行比对，观察能否提高母音之辨识率。第二部分则是中文单音之辨识，其方法是将中文单音分割成子音与母音两部分，分别作共同向量法，观察在不同的参数下，如子母音的权重比和建构语音模型所运用到的样本点数等，去比较何种参数组合会有较佳之辨识率。本论文由实验室十位不同语者资料库作测试，共有139100 中文单音。由第一部分实验结果发现不分声调之母音辨识率为91.2%，其次为分声调母音之辨识率86.7％，最後为加入基频轨迹之母音辨识率82.8％。第二部份之实验结果为，当权重设定为(0.5,0.5)，取样本点数为4 时，最佳中文单音辨识率为82%。本论文最後也探讨连续音之母音辨识。

关键词：梅爾頻率倒頻譜係數特徵擷取共同向量法基頻軌跡

来源：评论

学校读者我要写书评

暂无评论

利用共同向量法及狀態法於不特定語者之中文單音辨識

利用共同向量法及狀態法於不特定語者之中文單音辨識

引用

作者：李金則中興大學

学位级别：碩士

本篇论文主要是利用共同向量法探讨1391个中文单音辨识。共同向量法是一种线性子空间分类器，我们将所有训练音的特徵向量投影到一个共同且唯一的特徵向量上作为此类别的语音模型，其优点为拿训练音直接当成测试音进行测试，辨识率可以... 详细信息

本篇论文主要是利用共同向量法探讨1391个中文单音辨识。共同向量法是一种线性子空间分类器，我们将所有训练音的特徵向量投影到一个共同且唯一的特徵向量上作为此类别的语音模型，其优点为拿训练音直接当成测试音进行测试，辨识率可以达到100%，且共同向量法为一个简单又容易应用的方法。本篇论文使用梅尔频率倒频谱系数去做为语音的特徵向量，然後将中文单音之母音与子音进行共同向量法，并且把特徵向量切成数等分，母音部分有25个音框、子音部分则有20个音框，在等维度之下将其合并成数个状态再进行辨识，观察是否提高辨识率。实验显示，子音最佳辨识率之组合为子音状态数为4，平均辨识率为86.1%，母音最佳辨识率之组合为、母音状态数则为4，平均辨识率为84.3%，则权重部分最佳辨识率之组合为子音权重占50%、母音则占50%，平均辨识率为76.2%。

关键词：共同向量法梅爾頻率倒頻譜係數特徵擷取

来源：评论

学校读者我要写书评

暂无评论

利用主成份分析法辨識不特定語者之中文語音

利用主成份分析法辨識不特定語者之中文語音

引用

作者：賴宛辰中興大學

学位级别：碩士

本篇论文主要是利用主成份分析法探讨1391个中文单音之辨识。使用的特徵值为梅尔频率倒频谱系数。首先将语音资料库依子、母音做状态数分组，每组有一、三、五个音框。因此子音可分为4、7、20个状态对应到母音可分为5、9、25个状态，之... 详细信息

本篇论文主要是利用主成份分析法探讨1391个中文单音之辨识。使用的特徵值为梅尔频率倒频谱系数。首先将语音资料库依子、母音做状态数分组，每组有一、三、五个音框。因此子音可分为4、7、20个状态对应到母音可分为5、9、25个状态，之後利用主成份分析法建立语音模型，再做辨识，观察在哪一种音框分割方式以及权重比例下，会有较好的辨识率。辨识中会用到的投影矩阵的算法和特徵数有关，本论文所取的特徵值撷取维度为30。在实验中考虑到会影响辨识率的实验因子有「权重」、「子、母音撷取音框数」。最後实验结果可以发现不考虑权重下，母音的辨识率最高可达86.91 %，子音的辨识率最高为86.73 %，考虑权重下，在子音权重0.6母音权重0.4时有较好的辨识率77.73 %。

关键词：梅爾頻率倒頻譜係數主成份分析法

来源：评论

学校读者我要写书评

暂无评论

利用基頻軌跡及共同向量法於中文母音辨識

利用基頻軌跡及共同向量法於中文母音辨識

引用

作者：李佩錚中興大學

学位级别：碩士

本篇论文主要是利用共同向量法探讨1391个中文单音之母音辨识。共同向量法是一种线性子空间分类器，在每一个中文母音类别里，我们将所有训练音的特徵向量投影到一个唯一且共同的特徵向量上作为这个类别的语音模型，其优点为若以训练音... 详细信息

本篇论文主要是利用共同向量法探讨1391个中文单音之母音辨识。共同向量法是一种线性子空间分类器，在每一个中文母音类别里，我们将所有训练音的特徵向量投影到一个唯一且共同的特徵向量上作为这个类别的语音模型，其优点为若以训练音做测试，可得到100％的辨识率，因此共同向量法为一个简单且容易应用的方法。这篇论文中，我们运用梅尔频率倒频谱系数当作语音的特徵，将中文单音之母音做共同向量法进行辨识，并结合基频轨迹方法，对单音之声调进行辨识，观察在加入基频轨迹判断後，能否提高母音声调之辨识率。此次实验分三个方法，方法一为直接使用共同向量法进行母音的辨识。方法二为不分声调对母音进行共同向量法的比对。方法三除了进行不分声调的母音辨识，再加入基频轨迹方法判断单音声调。本论文由实验室十位不同语者资料库作测试，得到辨识率平均为不分声调母音辨识91.2%，其次为分声调母音辨识86.7％，最後为加入基频轨迹之母音辨识82.8％。虽然基频轨迹的特徵加入无法增加辨识率，本论文也将对此作更进一步的探讨。

关键词：梅爾頻率倒頻譜係數特徵擷取共同向量法基頻軌跡

来源：评论

学校读者我要写书评

暂无评论

探討順序比對法對中文母音辨識之影響

探討順序比對法對中文母音辨識之影響

引用

作者：吳志凌中興大學

学位级别：碩士

本篇论文主要是利用顺序比对法探讨特定语者在1391个国语单音国字母音之辨识，所使用的特徵值为梅尔频率倒频谱系数(Mel-frequency cepstrum coefficient, MFCC)，辨识方法为K最近邻居法(k-nearest neighbor, KNN)，与 K-Mean Algorithm... 详细信息

本篇论文主要是利用顺序比对法探讨特定语者在1391个国语单音国字母音之辨识，所使用的特徵值为梅尔频率倒频谱系数(Mel-frequency cepstrum coefficient, MFCC)，辨识方法为K最近邻居法(k-nearest neighbor, KNN)，与 K-Mean Algorithm (KMA)。首先主要是利用转移梅尔频率倒频谱系数和梅尔频率倒频谱系数求出其特徵值，然後对训练语音以KMA进行分类，然後比较三种不同的音框比对方式的辨识率，三种音框比对方式分别是有顺序、部份顺序和没有顺序；有顺序是指先把音框按顺序排列，然後和其对应到之音框进行比对；部分顺序是指将训练母音按顺序分成五组，然後待测语音和其对应到之组别进行音框比对；没有顺序是指每个测试音的音框与训练音1-25的音框作比对，找出最小的误差。而且为了分别看出五个声调的在各方法的表现，我们有进行个别声调以及全部声调母音的辨识，而顺序比对法在各项辨识中表现较好，单声调母音的辨识率最高可达到100%，在全部声调母音的辨识率最高的辨识率为94.5%，平均母音辨识率为88.9%。

关键词：梅爾頻率倒頻譜係數 K 最近鄰居法 K-Mean Algorithm

来源：评论

学校读者我要写书评

暂无评论

利用子母音之部分共同向量法於中文單音之辨識

利用子母音之部分共同向量法於中文單音之辨識

引用

作者：劉懿宸中興大學

学位级别：碩士

本篇论文主要是利用共同向量法探讨1391个中文单音之辨识。共同向量法是一个简单且容易应用的方法，不只是可应用在语音辨识而且也可应用在脸部辨识。共同向量法是一种线性子空间分类器，在每一个类别里，将所有训练的特徵投影到一个唯... 详细信息

本篇论文主要是利用共同向量法探讨1391个中文单音之辨识。共同向量法是一个简单且容易应用的方法，不只是可应用在语音辨识而且也可应用在脸部辨识。共同向量法是一种线性子空间分类器，在每一个类别里，将所有训练的特徵投影到一个唯一且共同的特徵上作为这个类别的语音模型。这篇论文中，我们运用梅尔频率倒频谱系数当作语音的特徵，将中文单音分割成子音与母音两部分分别作共同向量法，观察在不同的参数下，如子音母音的加权比重和建构语音模型所运用到的样本点数的组合，去比较何种参数组合会有较好的辨识率。此次实验是由十二位不同语者所录制的语音资料库去做辨识，权重设定为(子音,母音)=(0.1,0.9)到(0.9,0.1)，取样本点数为1到7。实验结果发现，当权重设定为(0.5,0.5)，取样本点数为4时，最佳平均辨识率为82%。因此，共同向量法在中文单音辨识上有不错的辨识率。

关键词：梅爾頻率倒頻譜係數特徵擷取共同向量法

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：