دانلود کتاب تشخیص خودکار گفتار قوی: پلی برای کاربردهای عملی بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
نام کتاب : Robust automatic speech recognition : a bridge to practical applications
ویرایش : 1
عنوان ترجمه شده به فارسی : تشخیص خودکار گفتار قوی: پلی برای کاربردهای عملی
سری :
نویسندگان : Deng. Li, Gong. Yifan, Haeb-Umbach. Reinhold, Li. Jinyu
ناشر : Academic Press
سال نشر : 2016
تعداد صفحات : 298
ISBN (شابک) : 0128023988 , 0128026162
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 15 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
تشخیص گفتار خودکار قوی: پلی برای کاربردهای عملی، پایه ای محکم برای تشخیص خودکار گفتار ایجاد می کند که در برابر اعوجاج محیطی صوتی قوی است. این یک مرور کلی از تکنیکهای کلاسیک و مدرن مقاوم در برابر نویز و طنین است که در سی سال گذشته توسعه یافتهاند، با تاکید بر روشهای عملی که موفقیتآمیز بودنشان ثابت شده و احتمالاً برای کاربردهای آینده بیشتر توسعه خواهند یافت. نقاط قوت و ضعف تکنیک های تشخیص گفتار تقویت کننده استحکام به دقت تجزیه و تحلیل می شوند. این کتاب تکنیکهای مقاوم در برابر نویز را پوشش میدهد که برای مدلهای صوتی طراحی شدهاند که بر اساس مدلهای مخلوط گاوسی و شبکههای عصبی عمیق هستند. علاوه بر این، راهنمای انتخاب بهترین روش ها برای کاربردهای عملی ارائه شده است. خواننده:
Robust Automatic Speech Recognition: A Bridge to Practical Applications establishes a solid foundation for automatic speech recognition that is robust against acoustic environmental distortion. It provides a thorough overview of classical and modern noise-and reverberation robust techniques that have been developed over the past thirty years, with an emphasis on practical methods that have been proven to be successful and which are likely to be further developed for future applications. The strengths and weaknesses of robustness-enhancing speech recognition techniques are carefully analyzed. The book covers noise-robust techniques designed for acoustic models which are based on both Gaussian mixture models and deep neural networks. In addition, a guide to selecting the best methods for practical applications is provided. The reader will: