主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2020年专刊出版计划 微信服务介绍 最新一期:2019年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
马继涌,高文.基于最大交叉熵估计高斯混合模型参数的方法.软件学报,1999,10(9):974-978
基于最大交叉熵估计高斯混合模型参数的方法
An Approach for Estimating Parameters in Gaussian Mixture Model Based on Maximum Cross Entropy
投稿时间:1998-04-16  修订日期:1998-09-21
DOI:
中文关键词:  最大交叉熵,高斯混合模型,进化规划,话者识别.
英文关键词:Maximum cross entropy, Gaussian mixture model, evolutionary programming, speaker recognition.
基金项目:本文研究得到国家重点自然科学基金和国家863高科技项目基金资助.
作者单位
马继涌 哈尔滨工业大学计算机科学与工程系,哈尔滨,150001 
高文 哈尔滨工业大学计算机科学与工程系,哈尔滨,150001 
摘要点击次数: 3183
全文下载次数: 342
中文摘要:
      传统的基于最大似然估计高斯混合模型参数的方法是一种无导师的学习方法.该方法的主要缺点是学习算法在估计一类模式模型中的参数时只利用了该类模式中的训练样本,而未考虑其他类训练样本分布的影响,因此,这种方法的识别效果往往不够理想.该文提出了利用最大交叉熵估计高斯混合模型参数的方法,这种方法考虑了不同类之间的样本区分性.同时,为了提高获得全局最优解的可能性,文章给出一种利用进化规划求解最优参数的算法,并将这种方法用于非限定文本的话者识别.实验表明,该方法比传统的参数估计方法识别效果要好.
英文摘要:
      The traditional approach for estimating parameters in Gaussian mixture models (GMM) based on maximum likelihood is a kind of unsupervised learning method, its shortage is that the parameters in GMM are derived only by the training samples in one class without taking the effect of sample distributions of other classes into account, hence, its recognition is usually not ideal. In this paper, an approach is presented for estimating parameters in GMM based on the maximum cross entropy of different classes, this method takes the discriminations of samples in different classes into account. To increase the possibility of obtaining the global optimal solution, this paper proposes an approach for estimating the optimal parameters in GMM based on evolutionary programming. An experiment has been carried out using the method for the text-independent speaker recognition, the results have shown that the recognition accuracy is higher than that of the traditional approach. The method has also fast convergent speed.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利