search query: @keyword speech recognition / total: 24
reference: 11 / 24
Author: | Lehtonen, Mikko Olavi |
Title: | Hierarchical approach for spotting keywords from an acoustic stream |
Publication type: | Master's thesis |
Publication year: | 2005 |
Pages: | xii + 55 s. + liitt. 11 Language: eng |
Department/School: | Sähkö- ja tietoliikennetekniikan osasto |
Main subject: | Tietoverkkotekniikka (S-38) |
Supervisor: | Kantola, Raimo |
Instructor: | Hermansky, Hynek |
OEVS: | Electronic archive copy is available via Aalto Thesis Database.
Instructions Reading digital theses in the closed network of the Aalto University Harald Herlin Learning CentreIn the closed network of Learning Centre you can read digital and digitized theses not available in the open network. The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/ You can read theses on the Learning Centre customer computers, which are available on all floors.
Logging on to the customer computers
Opening a thesis
Reading the thesis
Printing the thesis
|
Location: | P1 Ark TKK 2944 | Archive |
Keywords: | keyword spotting speech recognition hidden Markov model neural network TRAP-NN matched filter phoneme avainsanojen paikantaminen puheentunnistus kätketty Markovin malli neuroverkko sovitettu suodin foneemi |
Abstract (fin): | Avainsanojen paikantaminen on puheentunnistuksen ongelma, jossa tavoite on löytää vain tietyt äänet akustisesta virrasta. Tyypilliset avainsanojen paikannusjärjestelmät lähestyvät ongelmaa käyttäen puheentunnistustekniikoita, kuten kätkettyjä Markovin malleja ja dynaamista ohjelmointia. Tämän seurauksena näissä lähestymistavoissa esiintyy ongelmia liittyen ei-avainsanojen äänien mallinnukseen ja yleistyvyyden puutteeseen. Tämä työ esittelee ja tutkii uutta lähestymistapaa kohdeäänien paikannukseen akustisesta virrasta. Menetelmä perustuu hierarkkiseen käsittelyyn, jossa ensin johdetaan tasaisin välein näytteistetyt foneemien a posterior todennäköisyysestimaatit, jotka muutetaan ei-tasavälisiksi foneemisten luokkien estimaateiksi käyttäen sovitettuja suotimia. Suodatuksen tuottamat estimaatit vastaavat foneemien esiintymistodennäköisyyksiä, jolloin avainsanat voidaan löytää etsimällä oikea sarja luotettavia foneemien estimaatteja. Tässä työssä tasaisin välein näytteistetyt foneemiestimaatit johdetaan joka 10 ms käyttäen kriittisten kaistojen spektrographia, kaksiuloitteista suodatusta ja 1010 ms pitkiä TRAP-malleja. Syntyvät havainnot syötetään kolmikerroksiseen neoroverkkoon, mikä johtaa pitkän aikavälin kontekstin foneemiestimaatteihin. |
ED: | 2006-02-24 |
INSSI record number: 30664
+ add basket
INSSI