Topologie neuronových sítí a bottle-neckové parametry v rozpoznávání řeči

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F07%3APU70818" target="_blank" >RIV/00216305:26230/07:PU70818 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Neural network topologies and bottle neck features in speech recognition

Popis výsledku v původním jazyce

This poster overviewthe newly proposed bottle-neck features and then examines the possibility of use of meural net structure with<br> bottle-neck in hierarchical neural net classifier such as Split<br> Context classifier.<br> <br> First, the neural net with bottle-neck is used in place of merger to<br> see whether the advantage seeen for single neural net will hold also<br> for hierarchical classifier. Then we use the bottle-neck neural nets<br> in place of context classifiers, using bottle-neck outputsas input to<br> a merger classifier. Finally, bottle-neck neural nets are used in both<br> stages of Split Context classifier. This improved Split Context<br> structure gains several advantages: The use of bottle-neck imply<br> size reduction of resulting classifier. Also, processing of classifier<br> output is smaller compare to probabilistic features. The WER reduction was achieved too.<br> <br>

Název v anglickém jazyce

Neural network topologies and bottle neck features in speech recognition

Popis výsledku anglicky

This poster overviewthe newly proposed bottle-neck features and then examines the possibility of use of meural net structure with<br> bottle-neck in hierarchical neural net classifier such as Split<br> Context classifier.<br> <br> First, the neural net with bottle-neck is used in place of merger to<br> see whether the advantage seeen for single neural net will hold also<br> for hierarchical classifier. Then we use the bottle-neck neural nets<br> in place of context classifiers, using bottle-neck outputsas input to<br> a merger classifier. Finally, bottle-neck neural nets are used in both<br> stages of Split Context classifier. This improved Split Context<br> structure gains several advantages: The use of bottle-neck imply<br> size reduction of resulting classifier. Also, processing of classifier<br> output is smaller compare to probabilistic features. The WER reduction was achieved too.<br> <br>

Druh

A - Audiovizuální tvorba

CEP obor

JC - Počítačový hardware a software

OECD FORD obor

—

Projekt

<a href="/cs/project/GA102%2F05%2F0278" target="_blank" >GA102/05/0278: Nové směry ve výzkumu a využití hlasových technologií</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2007

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

ISBN

—

Místo vydání

—

Název nakladatele resp. objednatele

—

Verze

—

Identifikační číslo nosiče

—