• Français
    • English
  • Français 
    • Français
    • English
  • Se connecter
Visualiser le document 
  •   Accueil de Savoirs UdeS
  • Génie
  • Génie – Mémoires
  • Visualiser le document
  •   Accueil de Savoirs UdeS
  • Génie
  • Génie – Mémoires
  • Visualiser le document
JavaScript is disabled for your browser. Some features of this site may not work without it.

Parcourir

Tout Savoirs UdeSDomaines et collectionsDates de publicationAuteursTitresSujetsDirecteursCette collectionDates de publicationAuteursTitresSujetsDirecteurs

Mon compte

Se connecter

Statistiques

Voir les statistiques d'utilisation

Modèles de Markov cachés à haute précision dynamique

Thumbnail
Visualiser/Ouvrir
Document principal (1.044Mb)
Date de publication
2016
Auteur(s)
Gagnon, Sébastien
Sujet(s)
Reconnaissance vocale automatique
 
Modèles markoviens cachés
 
Structure temporelle fine
 
Élagage
 
Déséquilibre de plages dynamiques de probabilités
 
HMM
Afficher la notice détaillée
Résumé
La reconnaissance vocale est une technologie sujette à amélioration. Malgré 40 ans de travaux, de nombreuses applications restent néanmoins hors de portée en raison d'une trop faible efficacité. De façon à pallier à ce problème, l'auteur propose une amélioration au cadre conceptuel classique. Plus précisément, une nouvelle méthode d'entraînement des modèles markoviens cachés est exposée de manière à augmenter la précision dynamique des classificateurs. Le présent document décrit en détail le résultat de trois ans de recherche et les contributions scientifiques qui en sont le produit. L'aboutissement final de cet effort est la production d'un article de journal proposant une nouvelle tentative d'approche à la communauté scientifique internationale. Dans cet article, les auteurs proposent que des topologies finement adaptées de modèles markoviens cachés (HMMs) soient essentielles à une modélisation temporelle de haute précision. Un cadre conceptuel pour l'apprentissage efficace de topologies par élagage de modèles génériques complexes est donc soumis. Des modèles HMM à topologie gauche-à-droite sont d'abord entraînés de façon classique. Des modèles complexes à topologie générique sont ensuite obtenus par écrasement des modèles gauche-à-droite. Finalement, un enchaînement successif d'élagages et d'entraînements Baum-Welch est fait de manière à augmenter la précision temporelle des modèles.
URI
http://hdl.handle.net/11143/8996
Collection
  • Moissonnage BAC [3168]
  • Génie – Mémoires [1850]

DSpace software [version 5.4 XMLUI], copyright © 2002-2015  DuraSpace
Communiquer avec nous | Envoyer des commentaires
 

 


DSpace software [version 5.4 XMLUI], copyright © 2002-2015  DuraSpace
Communiquer avec nous | Envoyer des commentaires