2.765

2022影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于GMM-UBM和GLDS-SVM的英文发音错误检测方法

李宏言 黄申 王士进 梁家恩 徐波

李宏言, 黄申, 王士进, 梁家恩, 徐波. 基于GMM-UBM和GLDS-SVM的英文发音错误检测方法. 自动化学报, 2010, 36(2): 332-336. doi: 10.3724/SP.J.1004.2010.00332
引用本文: 李宏言, 黄申, 王士进, 梁家恩, 徐波. 基于GMM-UBM和GLDS-SVM的英文发音错误检测方法. 自动化学报, 2010, 36(2): 332-336. doi: 10.3724/SP.J.1004.2010.00332
LI Hong-Yan, HUANG Shen, WANG Shi-Jin, LIANG Jia-En, XU Bo. Automatic Mispronunciation Detection for English Learners by GMM-UBM and GLDS-SVM Methods. ACTA AUTOMATICA SINICA, 2010, 36(2): 332-336. doi: 10.3724/SP.J.1004.2010.00332
Citation: LI Hong-Yan, HUANG Shen, WANG Shi-Jin, LIANG Jia-En, XU Bo. Automatic Mispronunciation Detection for English Learners by GMM-UBM and GLDS-SVM Methods. ACTA AUTOMATICA SINICA, 2010, 36(2): 332-336. doi: 10.3724/SP.J.1004.2010.00332

基于GMM-UBM和GLDS-SVM的英文发音错误检测方法

doi: 10.3724/SP.J.1004.2010.00332
详细信息
    通讯作者:

    李宏言

Automatic Mispronunciation Detection for English Learners by GMM-UBM and GLDS-SVM Methods

More Information
    Corresponding author: LI Hong-Yan
  • 摘要: 将语种和说话人识别的方法应用到英语发音错误检测系统, 提出一种基于广义线性区分序列支持向量机 (Generalized linear discriminant sequence based SVM, GLDS-SVM)的发音错误检测方法. 主要创新点为: 1)提出一种基于状态拼接的特征规整方案, 增强SVM对发音特征的建模能力; 2)提出一种基于多模型融合的模型训练策略, 该策略可以更加充分地利用训练数据, 并在一定程度上解决了由于真实发音错误数据缺乏造成的正负样本不均衡的问题; 3)将GLDS-SVM与基于通用背景模型GMM (Universal background models based GMM, GMM-UBM)的方法进行融合, 以进一步提高发音检错性能. GLDS-SVM和GMM-UBM的融合系统在仿真测试集和真实测试集上的等错误率 (Equal error rate, EER)分别达到9.92%和16.35%. 同时, GLDS-SVM在模型占用空间和运算速度方面均比传统径向基函数 (Radial basic function, RBF)核方法具有明显优势.
  • 加载中
计量
  • 文章访问数:  1751
  • HTML全文浏览量:  48
  • PDF下载量:  1251
  • 被引次数: 0
出版历程
  • 收稿日期:  2009-03-19
  • 修回日期:  2009-10-21
  • 刊出日期:  2010-02-20

目录

    /

    返回文章
    返回