WEKO3
アイテム
Applying Sparse KPCA for Feature Extraction in Speech Recognition
https://nitech.repo.nii.ac.jp/records/5232
https://nitech.repo.nii.ac.jp/records/5232bad93301-5505-4c13-8fde-970c64fcd997
| 名前 / ファイル | ライセンス | アクション |
|---|---|---|
本文_fulltext (596.0 kB)
|
Copyright(c)2005 IEICE http://search.ieice.org/index.html
|
| Item type | 学術雑誌論文 / Journal Article(1) | |||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 公開日 | 2012-11-07 | |||||||||||||||||||||||||||||
| タイトル | ||||||||||||||||||||||||||||||
| タイトル | Applying Sparse KPCA for Feature Extraction in Speech Recognition | |||||||||||||||||||||||||||||
| 言語 | en | |||||||||||||||||||||||||||||
| 言語 | ||||||||||||||||||||||||||||||
| 言語 | eng | |||||||||||||||||||||||||||||
| 資源タイプ | ||||||||||||||||||||||||||||||
| 資源タイプ識別子 | http://purl.org/coar/resource_type/c_6501 | |||||||||||||||||||||||||||||
| 資源タイプ | journal article | |||||||||||||||||||||||||||||
| 著者 |
Lima, Amaro
× Lima, Amaro
× Zen, Heiga
× 南角, 吉彦
× 徳田, 恵一
× Kitamura, Tadashi
× Resende, Fernando G.
|
|||||||||||||||||||||||||||||
| 著者別名 | ||||||||||||||||||||||||||||||
| 姓名 | Nankaku, Yoshihiko | |||||||||||||||||||||||||||||
| 言語 | en | |||||||||||||||||||||||||||||
| 姓名 | 南角, 吉彦 | |||||||||||||||||||||||||||||
| 言語 | ja | |||||||||||||||||||||||||||||
| 姓名 | ナンカク, ヨシヒコ | |||||||||||||||||||||||||||||
| 言語 | ja-Kana | |||||||||||||||||||||||||||||
| 著者別名 | ||||||||||||||||||||||||||||||
| 姓名 | Tokuda, Keiichi | |||||||||||||||||||||||||||||
| 言語 | en | |||||||||||||||||||||||||||||
| 姓名 | 徳田, 恵一 | |||||||||||||||||||||||||||||
| 言語 | ja | |||||||||||||||||||||||||||||
| 姓名 | トクダ, ケイイチ | |||||||||||||||||||||||||||||
| 言語 | ja-Kana | |||||||||||||||||||||||||||||
| 著者別名 | ||||||||||||||||||||||||||||||
| 姓名 | 北村, 正 | |||||||||||||||||||||||||||||
| bibliographic_information |
en : IEICE transactions on information and systems 巻 E88-D, 号 3, p. 401-409, 発行日 2005-03-01 |
|||||||||||||||||||||||||||||
| 出版者 | ||||||||||||||||||||||||||||||
| 出版者 | Institute of Electronics, Information and Communication Engineers | |||||||||||||||||||||||||||||
| 言語 | en | |||||||||||||||||||||||||||||
| ISSN | ||||||||||||||||||||||||||||||
| 収録物識別子タイプ | ISSN | |||||||||||||||||||||||||||||
| 収録物識別子 | 0916-8532 | |||||||||||||||||||||||||||||
| item_10001_source_id_32 | ||||||||||||||||||||||||||||||
| 収録物識別子タイプ | NCID | |||||||||||||||||||||||||||||
| 収録物識別子 | AA10826272 | |||||||||||||||||||||||||||||
| 出版タイプ | ||||||||||||||||||||||||||||||
| 出版タイプ | VoR | |||||||||||||||||||||||||||||
| 出版タイプResource | http://purl.org/coar/version/c_970fb48d4fbd8a85 | |||||||||||||||||||||||||||||
| 内容記述 | ||||||||||||||||||||||||||||||
| 内容記述タイプ | Other | |||||||||||||||||||||||||||||
| 内容記述 | This paper presents an analysis of the applicability of Sparse Kernel Principal Component Analysis (SKPCA) for feature extraction in speech recognition, as well as, a proposed approach to make the SKPCA technique realizable for a large amount of training data, which is an usual context in speech recognition systems. Although the KPCA (Kernel Principal Component Analysis) has proved to be an efficient technique for being applied to speech recognition, it has the disadvantage of requiring training data reduction, when its amount is excessively large. This data reduction is important to avoid computational unfeasibility and/or an extremely high computational burden related to the feature representation step of the training and the test data evaluations. The standard approach to perform this data reduction is to randomly choose frames from the original data set, which does not necessarily provide a good statistical representation of the original data set. In order to solve this problem a likelihood related re-estimation procedure was applied to the KPCA framework, thus creating the SKPCA, which nevertheless is not realizable for large training databases. The proposed approach consists in clustering the training data and applying to these clusters a SKPCA like data reduction technique generating the reduced data clusters. These reduced data clusters are merged and reduced in a recursive procedure until just one cluster is obtained, making the SKPCA approach realizable for a large amount of training data. The experimental results show the efficiency of SKPCA technique with the proposed approach over the KPCA with the standard sparse solution using randomly chosen frames and the standard feature extraction techniques. | |||||||||||||||||||||||||||||
| 言語 | en | |||||||||||||||||||||||||||||
