利用小波聽覺分頻處理與訊號(hào)子空間分解於車內(nèi)噪音消除

1、利用小波聽覺分頻處理與訊號(hào)子空間分解於車內(nèi)噪音消除利用小波聽覺分頻處理與訊號(hào)子空間分解於車內(nèi)噪音消除王駿發(fā)、楊宗憲、張凱行王駿發(fā)、楊宗憲、張凱行摘要摘要在傳統(tǒng)的訊號(hào)子空間語音強(qiáng)化方法(SignalSubspaceSpeechEnhancementMethod)中，其主要是利用噪音能量是均勻分佈於訊號(hào)所在的向量空間而語音訊號(hào)能量則是分佈於某一子空間的特性，藉由特徵分解(EigenDecomposition)來分析出語音訊號(hào)及背景噪音，來進(jìn)

2、行噪音消除。而在車內(nèi)噪音環(huán)境中，噪音能量的分佈在低頻帶為最多延伸到高頻則逐漸較少，單一的訊號(hào)子空間的語音強(qiáng)化方法已不能更有效的消除位在低頻帶的背景噪音。本論文提出一個(gè)基於人耳聽覺特性的分頻處理，並結(jié)合訊號(hào)子空間強(qiáng)化方法來克服此一問題。實(shí)驗(yàn)的驗(yàn)證，則是採用TAICAR車內(nèi)語音資料庫來進(jìn)行，實(shí)驗(yàn)結(jié)果說明本文所提出的方法比起傳統(tǒng)訊號(hào)子空間強(qiáng)化法，更適用於車內(nèi)噪音的消除，低頻噪音的消除也更明顯。聚集事後機(jī)率線性迴歸調(diào)適演算法應(yīng)用於語音辨識(shí)聚集事

3、後機(jī)率線性迴歸調(diào)適演算法應(yīng)用於語音辨識(shí)AggregateaPosteriiLinearRegressionfSpeechRecognition黃志賢、王奕凱、簡仁宗黃志賢、王奕凱、簡仁宗摘要摘要在本論文中，我們提出一套由聚集事後機(jī)率(aggregateaposterii)為基礎(chǔ)之鑑別式線性回歸(linearregression)轉(zhuǎn)換矩陣參數(shù)調(diào)適演算法。在近幾年，由於鑑別式訓(xùn)練的效果優(yōu)越，於是出現(xiàn)使用鑑別式訓(xùn)練法則進(jìn)行轉(zhuǎn)換矩陣調(diào)適，稱為最

4、小分類錯(cuò)誤率線性迴歸(minimumclassificationerrlinearregressionMCELR)調(diào)適演算法。我們認(rèn)為使用最小分類錯(cuò)誤率準(zhǔn)則進(jìn)行線性迴歸調(diào)適時(shí)，若能再進(jìn)一步考慮線性迴歸矩陣之事前機(jī)率分佈，則可以結(jié)合貝氏法則之強(qiáng)健性與最小分類錯(cuò)誤率之鑑別性，以估測出更佳之轉(zhuǎn)換矩陣用於語者調(diào)適上。透過聚集事後機(jī)率與鑑別式訓(xùn)練間之關(guān)連及適當(dāng)之條件簡化，則可得到參數(shù)更新之封閉解(closefm)型式以加速鑑別式訓(xùn)練的參數(shù)估測。在

5、實(shí)驗(yàn)中，我們使用TCC300語料進(jìn)行語音模型參數(shù)之訓(xùn)練與迴歸矩陣之事前機(jī)率分佈之參數(shù)估測，而在調(diào)適及測試時(shí)，則使用公共電視臺(tái)所錄製之電視新聞?wù)Z料，進(jìn)行轉(zhuǎn)換矩陣估測強(qiáng)健性之評(píng)估與其他轉(zhuǎn)換矩陣參數(shù)調(diào)適效能之比較，在不同調(diào)適語料之實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)我們提出之聚集事後機(jī)率線性回歸可以有效達(dá)到鑑別式語者調(diào)適的效果。AThreePhaseSystemfChineseNamedEntityRecognitionConradChenHsiJianLeeAbs

6、tractThehlingofoutofvocabulary(OOV)wdsisoneofthekeypointstoahighperfmancelexicalanalysisinnaturallanguageprocessing.AmongallOOVwdsnamedentities(NE)arethemostproductiveones.Theygenerallyconstitutethemostmeaningfulpartsofs

7、entences(personsaffairstimeplacesobjects).Inthispaperweproposeathreephase“generationfilteringrecovery”systemtoaddresstheNERproblem.AsetofstochasticmodelsisfirstusedtogenerateallpossibleNEcidates.Thenwetreatcidatefilterin

8、gasanambiguityresolutionproblem.Toresolveambiguitiesweadoptamaximalmatchingruledrivenlexicalanalyzer.Lastapatternmatchingmethodisappliedtodetectrecoverabnmalitiesintheresultsoftheprevioustwophases.Purelexicalinfmationise

9、xploitedinoursystem.Wegetahighrecallof96%withpersonalnames(PER)satisfiablerecallof88%89%80%withtransliterationnames(TRA)locationnames(LOC)ganizationnames(G)respectively.Theoverallprecisionexcludingrateisover90%99%.主題導(dǎo)向之非

10、結(jié)構(gòu)化文本資訊擷取技術(shù)主題導(dǎo)向之非結(jié)構(gòu)化文本資訊擷取技術(shù)劉吉軒、翁嘉緯劉吉軒、翁嘉緯Abstract資訊擷取(infmationextraction)是從自然語言文本中辨出特定主題或事件的描述，進(jìn)而萃取出相關(guān)主題或事件元素的對應(yīng)資訊，如人、事、時(shí)、地、物等。因此，資訊擷取技術(shù)能依照需要的主題與事件，自動(dòng)的解讀自然語言文件，將文件中的原始文字資轉(zhuǎn)換成結(jié)構(gòu)化的核心資訊。在本論文，我們提出以型態(tài)辨識(shí)的方法來處理主題導(dǎo)向的非結(jié)構(gòu)化文本資訊擷取的