Evaluation of a set of new ORF kernel functions of SVM for speech recognition
Evaluation of a set of new ORF kernel functions of SVM for speech recognition
复制标题
用于语音识别的 SVM 的一组新 ORF 核函数的评估
DOI：
10.1016/j.engappai.2013.04.008
复制
发表时间：
2013-11
影响因子：
8
通讯作者：
Zizhong John Wang
中科院分区：
文献类型：
--
作者：
Xueying Zhang;Xiaofeng Liu;Zizhong John Wang
核函数是支持向量机的核心，核函数的选择直接影响支持向量机的性能。目前还没有为语音识别选择核函数的理论基础。为了提高语音识别支持向量机的学习能力和泛化能力，提出了一种新的语音识别支持向量机核函数--最优松弛因子核函数，并证明了该核函数是Mercer核函数。实验结果表明，ORF核函数在趋势映射、双螺旋、语音识别等问题上具有较好的效果。结果表明，ORF核函数的性能优于径向基函数(RBF)、指数径向基函数(ERBF)和适度递减核函数(KMOD)。此外，使用ORF核函数进行语音识别的结果表明具有较高的识别准确率。
The kernel function is the core of the Support Vector Machine (SVM), and its selection directly affects the performance of SVM. There has been no theoretical basis on choosing a kernel function for speech recognition. In order to improve the learning ability and generalization ability of SVM for speech recognition, this paper presents the Optimal Relaxation Factor (ORF) kernel function, which is a set of new SVM kernel functions for speech recognition, and proves that the ORF function is a Mercer kernel function. The experiments show the ORF kernel function's effectiveness on mapping trend, bi-spiral, and speech recognition problems. The paper draws the conclusion that the ORF kernel function performs better than the Radial Basis Function (RBF), the Exponential Radial Basis Function (ERBF) and the Kernel with Moderate Decreasing (KMOD). Furthermore, the results of speech recognition with the ORF kernel function illustrate higher recognition accuracy.
登录
查看更多内容
DOI：
10.1109/icassp.2008.4518566
发表时间：
2008-05
期刊：
2008 IEEE International Conference on Acoustics, Speech and Signal Processing
影响因子：
--
作者：
W. Campbell
通讯作者：
W. Campbell
影响因子：
3.5
作者：
R. Courant;David Hilbert;T. Teichmann
通讯作者：
R. Courant;David Hilbert;T. Teichmann
DOI：
10.21437/interspeech.2007-130
发表时间：
2007
期刊：
--
影响因子：
--
作者：
Z. Karam;W. Campbell
通讯作者：
Z. Karam;W. Campbell
DOI：
10.1109/icmlc.2008.4620884
发表时间：
2008-07
期刊：
2008 International Conference on Machine Learning and Cybernetics
影响因子：
--
作者：
Shi-Xiong Zhang;M. Mak
通讯作者：
Shi-Xiong Zhang;M. Mak
影响因子：
4.9
作者：
I. J. Schoenberg
通讯作者：
I. J. Schoenberg