|
|
|
تعیین هویت مخاطب مستقل از متن کارآمد از طریق مدل ترکیبی ساختاری گاوس و شبکه های عصبی
چکیدهچکیده – ما سیستم مرکبی را در ارتباط با مدل ترکیبی گاوس (SGMM) و شبکه های عصبی برای دستیابی به راندمان محاسباتی و صحت بالا در ارتباط با تعیین هویت مخاطب ارائه می دهیم. یک مدل ساختاری پیشینه (SBM) در ابتدا از طریق طبقه بندی زنجیره ای تمام اجزای ترکیبی گاوس در ارتباط با این مدل ایجاد می گردد. به این ترتیب ، یک فضای صوتی به مناطق مختلف در سطوح مختلف بخش بندی می گردد. در ارتباط با هر یک از این اهداف ، مدل SGMM از طریق فرایندهای چند سطحی MAP از طریق SBM ایجاد می گردد. در هنگام تست ، تنها شاخه هایی از اجزای ترکیبی گاوس در ارتباط با این ویژگی ها مورد محاسبه قرار می گیرند تا هزینه های محاسباتی را به طور قابل توجهی کمتر کنند. علاوه بر این موارد مورد محاسبه شده در لایه های مدل درختی مختلف ، برای تصمیم گیری نهایی با شبکه های عصبی ترکیب می گردند. پیکره بندی های متفاوتی در ارتباط با این بررسی ها بر روی اطلاعات حاصل از گفتگوهای تلفنی مورد استفاده در ارزیابی NIST انجام می گیرد. نتایج حاصل از این بررسی ها نشان می دهد که کاهش محاسباتی با استفاده از فاکتور 17 از طریق 5 درصد کاهش نسبی در نرخ اشتباهات در مقایسه با خطوط اصلی مد نظر قرار می گیرد. روش SGMM-SBM مزایایی را در ارتباط با آمیزش GMM نشان می دهد ، که شامل ، سرعت بالاتر و عملکردهای بهتر می باشد.عبارات کلیدی ، طبقه بندی گاوس ، شبکه عصبی ، تعیین هویت مخاطب ، مدل ترکیبی گاوس.
:: برچسب‌ها:
طبقه بندی گاوس ,
شبکه عصبی ,
تعیین هویت مخاطب ,
مدل ترکیبی گاوس ,
مدل ترکیبی ساختاری گاوس ,
SGMM ,
SBM ,
مدل ساختاری پیشینه ,
NIST ,
SGMM-SBM ,
مقاله انگلیسی کامپیوتر با ترجمه فارسی ,
مقاله انگلیسی کامپیوتر با ترجمه ,
مقاله انگلیسی کامپیوتر ,
Efficient Text-Independent Speaker Verification ,
Structural Gaussian Mixture Models ,
Neural Network ,
:: بازدید از این مطلب : 50
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : سه شنبه 1 تير 1395 |
نظرات ()
|
|
تجزیه و تحلیل عملکرد کسب و کار بانکی و ریسک بازار با استفاده از DEA فازیچکیده امروزه با شرایط مالی که مدام در حال تغییر است ، برای اجتناب از بحران تعطیلی، موسسات مالی نگران بهره وری و خطر شدید هستند . بنابراین، بهره وری و مدیریت ریسک ، اهداف مهم برای یک مدیر موسسه مالی هستند . تحلیل پوششی داده ها (DEA) یک رویکرد غیر پارامتری برای ارزیابی عملکرد بهره وری DMU است و متغیرهای مورد استفاده در DEA همه مقادیر دقیقی هستند . با این حال، هنگامی که متغیرهای ورودی یا خروجی فازی باشند ، عملکرد واحدهای تصمیم گیری باید توسط-DEA فازی ادامه یابند . در اساس عدم قطعیت ریسک ، این پژوهش قصد گسترش کاربرد مدل اندازه گیری فازی مبتنی بر اسلک (SBM فازی) دارد .نمرات بهره وری برآورد شده توسط مدل SBM فازی تابع به فرم تابعی هستند ، که ناحیه مقداری بهره وری را در درجات مختلفی از اعتماد به نفس فراهم می کند ،که مطابق با مشخصه پیش بینی خطر است و دستاورد مدیریت بانکداری تایوان تحت ریسک بازار را برآورد میکند .
:: برچسب‌ها:
عملکرد کسب و کار بانکی ,
ریسک بازار ,
DEA فازی ,
DMU ,
ارزیابی عملکرد بهره وری ,
SBM ,
مقاله انگلیسی حسابداری با ترجمه فارسی ,
مقاله انگلیسی حسابداری با ترجمه ,
مقاله انگلیسی حسابداری ,
bank business performance ,
market risk ,
Applying Fuzzy DEA ,
:: بازدید از این مطلب : 141
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : شنبه 16 مرداد 1395 |
نظرات ()
|
|
صفحه قبل 2 3 4 5 ... 6341 صفحه بعد
|
|
|
عضو شوید
عضویت سریع
آمار مطالب
آمار بازدید
