Benutzer: Gast  Login
Originaltitel:
Semi-Autonomous Data Enrichment and Optimisation for Intelligent Speech Analysis 
Übersetzter Titel:
Semi-autonome Datenanreicherung und -optimierung für intelligente Sprachanalyse 
Jahr:
2015 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Elektrotechnik und Informationstechnik 
Betreuer:
Schuller, Björn W. (Prof. Dr. habil.) 
Gutachter:
Schuller, Björn W. (Prof. Dr. habil.); Cheng, Gordon (Prof., Ph.D.) 
Sprache:
en 
Fachgebiet:
DAT Datenverarbeitung, Informatik 
Stichworte:
Intelligent Speech Analysis 
TU-Systematik:
DAT 815d 
Kurzfassung:
To address the challenges surrounding data quantity and quality in Intelligent Speech Analysis, this thesis proposes and analyses semi-autonomous data enrichment and optimisation approaches. Particularly, both labelled and unlabelled data from heterogeneous resources are exploited; Split Vector Quantisation is employed for feature compression; and Long Short-Term Memory recurrent neural networks is evaluated to mitigate reverberation. With these approaches, better performance is delivered. 
Übersetzte Kurzfassung:
Um die Herausforderungen rund um die Menge und Qualität der Daten im Rahmen der intelligenten Sprachanalyse anzugehen, widmet sich die Arbeit der halbautonomen Daten-Bereicherung und Optimierungsansätzen. Insbesondere werden die (nicht-)annotierten Daten genutzt; Split-Vektorquantisierung ist für Spiel Kompression verwendet wird; und Long Short-Term Memory rekurrente neuronale Netze ausgewertet, um Nachhall zu mildern. Mit diesen Ansätzen wird eine bessere Leistung erzielt wird. 
Mündliche Prüfung:
16.04.2015 
Dateigröße:
1868228 bytes 
Seiten:
186 
Letzte Änderung:
29.04.2015