摘要：本文在HMM/Filler模型的基礎(chǔ)上,通過對漢語的408個音節(jié)建立支持向量機SVM分類器提升了HMM系統(tǒng)的識別率,這408個SVM音節(jié)分類器有助于全面支持關(guān)鍵詞的動態(tài)設(shè)定.針對SVM分類器訓(xùn)練數(shù)據(jù)的定長要求,本文通過對關(guān)鍵詞特征幀進行等長化處理,使得對音節(jié)分類的SVM分類器得以訓(xùn)練.進一步,為了調(diào)節(jié)系統(tǒng)的融合性,本文提出概率融合公式,即通過設(shè)定融合參數(shù)λ來調(diào)整SVM分類器對HMM/Filler的作用程度.實驗結(jié)果表明,當(dāng)融合參數(shù)λ=0.3時,SVM與HMM/Filler融合的關(guān)鍵詞識別系統(tǒng)效果最佳,此時融合系統(tǒng)相對于HMM/Filler基線系統(tǒng)識別率有著6.74%的提升,多特征訓(xùn)練的融合系統(tǒng)相對于單特征訓(xùn)練的HMM/Filler基線系統(tǒng)識別率提升近10%.
注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社
