Đánh giá hiệu năng một số mô hình học máy thống kê với vấn đề nhận dạng thanh điệu tiếng Việt nói

Bài báo đề xuất phương pháp nhận dạng thanh điệu tiếng Việt nói sử dụng mô hình K láng giềng gần nhất KNN (K-Nearest Neighbor) phân tích khác biệt tuyến tính LDA (Linear Discrimination Analysis), phân tích khác biệt toàn phương QDA (Quadratic Discrimination Analysis), bộ phân lớp hỗ trợ véc tơ SVC (support vector classifier) và máy hỗ trợ véc tơ SVM (Support Vector Machine). Theo các nhà ngôn ngữ học, thanh điệu tiếng Việt có đặc tính siêu đoạn, tồn tại trên cả âm tiết. Mời các bạn cùng tham khảo!

Thảo Quốc 2015vềvềĐiện ĐiệnTử, Tử,Truyền TruyềnThông Thông Công TinTin (ECIT 2015) HộiHội Thảo Quốc GiaGia 2015 CôngNghệ NghệThông Thông (ECIT 2015) ánh giá hiu nng mt s mơ hình hc máy thng kê vi vn  nhn dng iu ting Vit nói Nguyn Hng Quang, Trnh Vn Loan Vin Công Ngh Thông Tin Truyn Thông, Trng i hc Bách khoa Hà Ni Email: quangnh@soict.hust.edu.vn, loantv@soict.hust.edu.vn Abstract— Bài báo  xut phng pháp nhn dng iu ting Vit nói s dng mơ hình K láng ging gn nht KNN (KNearest Neighbor) phân tích khác bit tuyn tính LDA (Linear Discrimination Analysis), phân tích khác bit tồn phng QDA (Quadratic Discrimination Analysis), b phân lp h tr véc t SVC (support vector classifier) máy h tr véc t SVM (Support Vector Machine) Theo nhà ngôn ng hc, iu ting Vit có c tính siêu on, tn ti c âm tit Trong nghiên cu này, tin hành th nghim nhn dng iu theo hai quan im: iu tn ti c âm tit iu ch tn ti phn hu ca âm tit Các tham s s dng cho nhn dng iu gm có nng lng tn s c bn ca ting nói  nhn dng, tham s c chun hóa theo thi gian Kt qu c th nghim 6221 t phát âm ri rc ca ting Vit vi ngi nói Các th nghim c thc hin theo phng pháp so sánh chéo (cross-validation) Các kt qu th nghim cho thy quan im coi iu ch tn ti phn hu ca âm tit cho kt qu nhn dng cao hn so vi quan im coi iu tn ti c âm tit Ngoài ra, phng pháp nhn dng c th nghim, phng pháp QDA cho kt qu nhn dng cao nht iu dài) Nh vy nu so sánh vi hai ngơn ng ting Vit ngơn ng có cu trúc iu phc tp nht iu làm cho vic nhn dng iu ting Vit tr nên khó khn Hin nay, h thng tng hp nhn dng ting nói ang c phát trin rt mnh th gii Các h thng s óng vai trị quan trng vic thc hin tơng tác ngi-máy (human-machine) hoc tơng tác máy-máy (machine-to-machine) tơng lai Nghiên cu h thng tơng tác nh vy ang c thc hin bc u vi ting Vit Vì vy nhn dng iu cho ngơn ng có iu ó có ting Vit mt vn  quan trng, mang tính thi s hin Bên cnh ting Vit, ting ph thông Trung Quc ting Thái Lan cng ngôn ng có iu Vi c hai ngơn ng này, Yang, W [3], Charnvivit, P [4] cng s ã s dng tn s bn  làm tham s s dng cho trình nhn dng iu Kt qu ca nghiên cu cho thy F0 mt tham s hiu qu s dng mơ hình HMM  biu din cho iu Trong nhng nm gn ây, ã có mt s cơng trình nghiên cu nhn dng ting Vit nói ó có b sung thông tin v iu Lê Vit Bc cng s [9][12] s dng phơng pháp thích nghi t mt ngơn ng khơng có iu (ting Pháp)  xây dng mơ hình cho ting Vit Trong ó, V Hi Quân [10], V Ngc Thng [11] cng s li b sung tn s bn F0 nh mt tham s vi tham s MFCC  dùng làm tham s c trng cho tng khung ting nói Mt hng nghiên cu khác tách ri, thc hin song song nhn dng âm tit bn (âm tit coi nh khơng có iu) vi nhn dng iu riêng r Nguyn Hng Quang cng s [14] ã s dng tham s MFCC, F0  xây dng mơ hình HMM nhn dng cho iu ting Vit Tuy nhiên, cha có nhng kt qu rõ rt  c gng th nghim nhn dng iu ting Vit theo phơng pháp biu din mi iu bng mt véc tơ tham s, cng nh nghiên cu nh hng trc tip ca ng cong F0 n kt qu nhn dng iu Bài báo s thc hin nghiên cu nhng vn  Phn li ca báo c t chc nh sau: • Phn II mô t chi tit c im ca h thng iu ca ting Vit • Phn III phân tích u im nhc im ca phơng pháp nhn dng ã c áp dng: phân tích khác bit tuyn tính LDA (Linear Discrimination Keywords- iu ting Vit, nhn dng iu, tn s c bn F0, phân tích khác bit tuyn tính, phân tích khác bit tồn phng, K láng ging gn nht, máy h tr véc t I GII THIU Khác vi phn ln ngôn ng th gii, ting Vit mt ngôn ng có iu Vi loi ngơn ng này, ng ngha ca âm tit s thay i thay i iu ca âm tit ó [1] Hai yu t  phân bit bao gm cao  mc  bin thiên phc tp ca iu Các iu c phân bit vi ch yu qua qui lut bin thiên theo thi gian ca tn s bn F0 Ting Vit bao gm iu: ngang, sc, huyn, hi, ngã nng Các iu có th c phân chia theo cao : iu cao iu thp phân chia theo  t gãy (lut bng-trc): iu bin thiên ơn iu (thanh bng) iu t gãy (thanh trc) So vi mt s ngơn ng có iu khác nh ting ph thơng Trung Quc (Mandarin) Mandarin ch có iu ó ch có iu t gãy [3] Ting Qung ơng Trung Quc có ti iu, song tt c iu u iu bin thiên ơn iu phân bit vi  cao   dài ca iu (thanh iu ngn, iu trung bình ISBN: 978-604-67-0635-9 342 342 HộiHội Thảo Quốc Gia vàCông CôngNghệ Nghệ Thông (ECIT 2015) Thảo Quốc Gia2015 2015về vềĐiện Điện Tử, Tử,Truyền Truyền Thông Thông Thông TinTin (ECIT 2015) Cao  Cao Thp Analysis), phân tích khác bit toàn phơng QDA (Quadratic Discrimination Analysis), K láng ging gn nht KNN (K-Nearest Neighbor), b phân lp h tr véc tơ SVC (support vector classifier) máy h tr véc tơ SVM (Support Vector Machine) Phn IV trình bày kt qu th nghim nhn dng iu phân tích ánh giá kt qu thu c Kt lun hng phát trin c a phn V • • II III Thanh bng Thanh ngang Thanh sc Thanh huyn Thanh nng Thanh trc Thanh hi Thanh ngã CÁC PHƠNG PHÁP TH NGHIM NHN DNG Trong báo này,  thc hin nhn dng iu ting Vit, s dng phơng pháp: K láng ging gn nht KNN (K-Nearest Neighbor), phân tích khác bit tuyn tính LDA (Linear Discrimination Analysis), phân tích khác bit tồn phơng QDA (Quadratic Discrimination Analysis), s dng b phân lp h tr véc tơ SVC (support vector classifier) máy h tr véc tơ SVM (Support Vector Machine) Phng pháp phân tích khác bit tuyn tính LDA: Gi s i tng thuc vào K lp k xác sut tiên nghim  mt i tng n t lp th k.  =   = | =  hàm mt  xác sut  i tng X ly giá tr x ang  lp th k, gi nh  là hàm chun Gauss nhiu bin (phơng trình 1) C IM THANH IU CA TING VIT Trong phơng ng Bc ca ting Vit (c coi phơng ng chun ca Vit Nam) có iu khác nhau: ngang, huyn, sc, nng, hi, ngã Các iu thng c nhà ngôn ng hc phân bit vi thông qua ng biu din tn s bn F0 ca iu (Hình 1) Trong cách vit, mi iu c biu din bng mt du c bit, tr ngang khơng có du hiu quy c Nu âm tit kt thúc bng ph âm tc /t/ /p/ âm tit ó ch có th i vi sc hoc nng Vì vy mt s nhà nghiên cu [1] coi ting Vit h thng bao gm iu: ó sc nng c coi nh có bin th (trong âm tit kt thúc hoc không kt thúc bng /t/ hoc /p/) Trong báo này,  ơn gin, gi nh ting Vit ch có iu chun nh cách biu din vn phong ting Vit  =  / ||/   −  −  Σ   −  (1)  nh lý Bayes cho phép tính xác sut hu nghim i tng thuc vào lp k có giá tr bng x c mơ t  phơng trình    2  = | =  =         i tng c nhn dng vào lp có giá tr xác sut hu nghim ln nht (phơng trình 2) s tơng ng vi lp Vi phơng pháp phân tích s khác bit tuyn tính LDA, gi s mi lp có riêng giá tr k vng µ k song tt c lp u có chung ma trn hip phơng sai Σ Thc hin ly logarit phơng trình (4) s thu c phơng trình (3)    =   Σ   −  Σ   +  (3)  Trong phơng trình (5),  c gi hàm phân bit (discriminant function) Vì  là hàm tuyn tính ca x nên phơng pháp c gi LDA Các tham s µ k Σk c xác nh da s c lng tham s t b d liu hun luyn Phân tích khác bit tồn phng QDA: Vi phơng pháp này, gi s mi lp s có mt ma trn hip phơng sai riêng Σ, ó hàm phân bit s c biu din bng phơng trình Hình ng cong tn s c bn F0 biu din cho iu ca ging n thuc phng ng Bc Vit Nam [5] Theo nhà ngôn ng hc, có th phân loi iu theo mt s tiêu chí Tiêu chí phân loi u tiên cao  ca iu: ngang, sc, hi c coi  mc cao, ó huyn, nng, ngã c coi  mc thp Tiêu chí phân loi th hai theo lut bng-trc, tc mc  t gãy ng biu din F0 ca iu Các ngang, sc, huyn, nng c coi bng hi, ngã c coi trc Chi tit v phân loi iu ting Vit c mô t  bng Bng Phân loi iu theo cao  theo lut bng-trc      = −   Σ  +   Σ   −  Σ   − Σ  +    (4)  Các tham s  and Σ phơng trình (3) (4) s c xác nh trình hun luyn da vào d liu hun luyn K láng ging gn nht KNN: Vi mi i tng x tp th nghim, tính giá tr  () theo phơng trình   () = Σ ∈ ()  (5)  343 343 Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015)  áp dng SVM cho toán phân lp nhiu mu, phơng  pháp c s dng one-versus-one: xây dng   b phân lp cho tng cp lp Mi mu th nghim s c a qua tt c b phân lp Lp chim a s s c coi kt qu nhn dng Nhn xét: Trong ba phơng pháp u tiên, phơng pháp QDA thc hin phân bit gia lp thông qua biên gii phân lp tuyn tính, nh vy biên gii phân lp tơng i thô vi b d liu phc tp Trong ó vi phơng pháp KNN, kt qu nhn dng li ph thuc vào mt s mu nht nh (K mu) xung quanh mu cn nhn dng Do ó phơng pháp KNN cho kt qu rt dao ng theo b d liu Phơng pháp QDA mt ci tin ca phơng pháp LDA, phơng pháp cho phép to biên gii phân lp phi tuyn, nh vy cho phép nhn dng mu mm do Các phơng pháp ã s dng toàn b d liu hun luyn  xây dng biên gii phân lp Trong ó, phơng pháp SVM ch s dng véc tơ h tr  quyt nh biên gii phân lp Phơng pháp s dng b phân lp h tr véc tơ ch s dng biên gii phân lp tuyn tính, ó phơng pháp SVM li cho phép xây dng biên gii phi tuyn, vi s m rng s lng tham s ln Trên s nhn xét trên, hy vng phơng pháp QDA SVM s cho kt qu nhn dng tt nht Các th nghim nhn dng iu cho ting Vit c trình bày  phn tip theo Trong phơng trình 5,  () láng ging ca x, bao gm K im gn x nht tp hun luyn,  trng s ca im tp hun luyn xi i tng x c nhn dng vào lp L nu () t giá tr ln nht so sánh vi giá tr () B phân lp phân tách tuyn tính vi l cc i (maximal margin classifier): L cc i c xác nh nh sau: vi mi mu tp hun luyn, tính khong cách trc giao n biên gii phân lp; l khong cách trc giao ti thiu tìm c B phân lp chn biên gii phân lp có l t giá tr ln nht, ngha biên gii phân lp phân bit tt nht mu tp hun luyn Các véc tơ nm l c gi véc tơ h tr (support vector) B phân lp h tr véc t SVC: Phơng pháp s m rng ca b phân lp phân tách tuyn tính vi l cc i (maximal margin classifier), cho phép phân lp vi lp không th phân tách bng mt biên gii tuyn tính [2] Phơng pháp s tìm biên gii phân lp phù hp nht vi a s mu, chp nhn mt s mu hun luyn b phân lp sai (c iu chnh bng tham s C – phơng trình 7) Máy h tr véc t SVM: Phơng pháp SVC ch có kh nng tìm c biên gii phân lp tuyn tính Trong ó biên gii phân lp tuyn tính li khơng phù hp vi mt s d liu c th  vn có th s dng biên gii phân lp tuyn tính, mt phơng pháp c  xut m rng s tham s biu din i tng da tham s ã có SVM phơng pháp cho phép thc hin hiu qu s m rng vi mc  tính tốn hp lý Xét tốn s dng SVM  phân chia mu thành lp Gi s tp hun luyn bao gm N mu xi, i=1, 2,…, N Các mu c phân vào lp yi, i=1, 2, …, N; giá tr y ch ly -1 hoc Biên gii phân lp c biu din bng v trái ca phơng trình () =  +    (,  ) (6) Thc cht a phn giá tr αi u bng 0, ch tr nhng giá tr αi ca véc tơ h tr Các giá tr b gii hn theo phơng trình ≤  ≤ ,  = 1, 2, … ,  (7) C giá tr cho phép mu b vi phm Khi C nh l s rng, ngc li C ln l s hp K hàm kernel ca h thng, vi b phân lp h tr véc tơ SVC K c tính theo phơng trình K(u, v) = uTv (8) Vi SVM, hàm K c s dng  bin i không gian tham s, c tính theo phơng trình K(u, v) = exp{-|u-v|2} (9) Khi ó gii thut thc hin tìm giá tr 0 αi theo phơng trình 10    1 −  ( ) +   (10)  , IV NHN DNG THANH IU CA TING VIT C s d liu ting Vit nói: u tiên, xây dng tt c t ơn âm tit ca ting Vit nói ây t c s dng ngôn ng giao tip thng ngày Có tng cng 6221 t ã c tp hp Phân b iu s d liu c mô t bng Bng Phân b iu c s d liu ting nói Thanh iu Thanh ngang Thanh huyn Thanh sc Thanh nng Thanh hi Thanh ngã Tng cng Tng s t 1257 1022 1591 1203 706 442 6221 Trong s d liu, có ging nam u n t phơng ng Bc, có  tui t 22 n 24 tui Mi ngi c yêu cu phát âm mi t mt ln Ting nói c thu âm phịng làm vic bình thng, vi tn s ly mu 16KHz, ơn kênh, 16 bit/mu Nh vy tng s file s d liu 18663 file Phng pháp nhn dng: Phơng pháp so sánh chéo (cross-validation) c áp dng  th nghim nhn dng iu Mi th nghim c thc hin ba ln: vi mi ln d liu ca ngi nói c s dng làm d liu th nghim, ó d liu ca hai ngi cịn li c s dng  hun luyn h thng Kt qu ca th nghim trung bình cng kt qu ca ba th nghim Các th nghim c thc hin s dng phơng  vi K ma trn NxN tính tt c cp mu s dng trình hun luyn Quá trình phân lp c thc hin tính hàm f (phơng trình 6) mu cn th nghim Tùy vào du ca hàm f mà mu th nghim s c phân vào lp 344 344 HộiHội Thảo Quốc Gia vàCông CôngNghệ Nghệ Thông (ECIT 2015) Thảo Quốc Gia2015 2015về vềĐiện Điện Tử, Tử,Truyền Truyền Thông Thông Thông TinTin (ECIT 2015) pháp nhn dng LDA, QDA KNN Mi phơng pháp c thc hin th nghim: mt th nghim vi quan im coi iu tn ti c âm tit th nghim th hai c thc hin quan im coi iu ch nm phn hu ca âm tit Biu din tham s cho mi iu: Hai tham s c s dng tn s bn F0 nng lng thi gian ngn E Khong thi gian  tính tốn s dng ca s có  rng 100 miligiây,  dch ca ca s 10 miligiây Phơng pháp t tơng quan AC (auto-correlation) c s dng  xác nh tn s bn F0 Do ting nói, ch on hu mi có tn s F0, vy nhng on tín hiu khơng tính c F0 c coi nh on vơ  tin hành chun hóa giá tr tn s bn F0 nng lng E theo thi gian, vi mi iu chiu dài tn ti ca iu c chia thành N phn Ti mi im chia s xác nh tn s F0 nng lng tơng ng Nh vy mi âm th hin cho mt iu s c biu din bng mt véc tơ tham s có N thành phn Các giá tr N c th nghim báo t n 10 Các kt qu th nghim c mô t  phn V Trong báo này, th nghim hai quan im v cu trúc ca iu âm tit ting Vit Quan im th nht coi iu nm toàn b âm tit, ó quan im th hai coi iu ch tn ti phn hu ca âm tit Vi quan im th hai, phn hu s c chúng tơi xác nh phn có tn s bn F0 âm tit Còn  th nghim theo quan im u tiên, nhng phn vô âm tit (thng phn u phn cui âm tit) tn s bn F0 s c ni suy tuyn tính F0 t giá tr F0 ã có V pháp QDA (các kt qu ct LDA nh so vi kt qu ct QDA tơng ng) Ngoài phơng pháp coi iu ch tn ti phn hu ca âm tit cng cho kt qu tt so vi phơng pháp coi iu tn ti c âm tit Các kt qu tt nht t c vi s thành phn chun hóa N = Giá tr c s dng cho th nghim nhn dng iu theo phơng pháp KNN, SVC SVM S dng phng pháp KNN:  th nghim phơng pháp KNN, mt tham s cn xác nh s láng ging K s dng  xác nh kt qu cho tng mu th nghim Các giá tr K c th nghim bao gm t n 40 Th nghim c thc hin vi phơng pháp KNN quan im coi iu tn ti toàn b âm tit Kt qu c mơ t hình Hình Kt qu nhn dng iu theo phng pháp KNN vi giá tr K t n 40 Hình cho thy kt qu nhn dng tt nht t c ti K=15 Giá tr K c s dng cho th nghim nhn dng iu vi thành phn chun hóa iu theo thi gian N khác Kt qu thu c mô t bng Bng Kt qu nhn dng iu úng (t l phn trm) s dng phng pháp KNN KT QU NHN DNG THANH IU CA TING VIT S dng phng pháp LDA QDA: Kt qu th nghim vi phơng pháp LDA QDA c mô t  bng vi quan im iu tn ti c âm tit vi quan im iu ch tn ti phn hu ca âm tit Trong bng 3, N s thành phn chun hóa theo thi gian ca mi th hin ca iu Bng Kt qu nhn dng iu úng (t l phn trm) s dng phng pháp LDA QDA S thành phn chun hóa N 10 Thanh iu tn ti toàn b âm tit LDA 39.03 39.86 39.04 39.27 38.43 37.36 37.55 37.71 37.44 QDA 40.66 40.61 49.20 47.94 47.46 47.38 46.92 46.27 45.20 S thành phn chun hóa N 10 Thanh iu ch tn ti phn hu ca âm tit LDA QDA 36.03 39.50 42.86 45.11 46.57 50.88 48.33 51.88 47.75 51.50 47.79 51.17 48.28 51.28 48.30 50.39 48.15 49.22 Thanh iu tn ti toàn b âm tit 36.77 38.69 46.63 47.32 47.36 47.69 47.02 47.16 47.25 Thanh iu ch tn ti phn hu ca âm tit 37.71 42.42 47.97 48.96 49.07 48.94 49.09 49.29 48.87 Kt qu  bng cho thy vi phơng pháp KNN, kt qu tt nht vi trng hp iu tn ti toàn b âm tit trng hp iu ch tn ti phn hu ca âm tit tơng ng vi s thành phn chun hóa N=7 N=9 S dng phng pháp SVC SVM: Mt tham s chung quyt nh n t l nhn dng úng ca hai phơng pháp C (phơng trình 7) Ngồi vi SVM tham s  (phơng trình 9) cng quyt nh n kt qu nhn dng Bng mô t kt qu nhn dng ca hai phơng pháp vi giá tr khác ca C  Th nghim c Kt qu bng cho thy phơng pháp LDA cho kt qu nhn dng xác iu so vi phơng 345 345 HộiHội Thảo Quốc Gia 2015 Công CôngNghệ NghệThông Thông (ECIT 2015) Thảo Quốc Gia 2015về vềĐiện ĐiệnTử, Tử,Truyền TruyềnThông Thông TinTin (ECIT 2015) thc hin s thành phn chun hóa ca iu N = quan im coi iu tn ti toàn b âm tit toàn b âm tit, LDA_2, QDA_2, KNN_2, SVC_2, SVM_2 ca phơng pháp coi iu ch tn ti phn hu ca âm tit Hình cho thy vi s thành phn chun hóa N thp (N=2 N=3), kt qu nhn dng iu nht Trong thành phn N cịn li kt qu khơng thc s khác bit nhiu Các kt qu nhn dng iu tt nht thc hin báo c mô t  bng Bng Tng kt kt qu nhn dng iu ca ting Vit nói Bng Kt qu nhn dng iu úng (t l phn trm) s dng phng pháp SVC SVM vi s thành phn chia iu N=5 Phng pháp SVC SVM, =0.5 SVM, =1 SVM, =2 0.1 43.52 39.46 29.96 25.80 Giá tr C 43.53 43.82 40.60 34.35 10 43.51 42.33 40.72 35.16 Phng pháp nhn dng LDA KNN QDA SVC SVM Bng cho thy phơng pháp SVC cho kt qu tt nht vi C=1, phơng pháp SVM cho kt qu tt nht vi C=1 =1 Các giá tr c s dng cho th nghim tt c phn chia iu Kt qu th nghim c mô t  bng Bng Kt qu nhn dng iu úng (t l phn trm) s dng phng pháp SVC SVM S thành phn chun hóa N 10 Thanh iu tn ti toàn b âm tit SVC 41.01 41.34 41.60 43.52 41.79 41.21 41.36 40.95 40.98 SVM 40.29 36.63 45.52 43.82 43.75 42.16 40.00 38.98 38.18 Thanh iu nm toàn b âm tit 39.86 47.69 49.20 43.52 45.52 Thanh iu ch nm phn hu ca âm tit 48.33 49.29 51.88 51.86 51.23 Các kt qu th nghim cho thy quan im coi iu ch tn ti phn hu ca âm tit cho kt qu nhn dng cao so vi quan im coi iu tn ti c âm tit Ngoài ra, phơng pháp nhn dng c th nghim, phơng pháp QDA cho kt qu nhn dng cao nht Thanh iu ch tn ti phn hu ca âm tit SVC SVM 41.36 44.04 44.23 45.17 50.33 51.23 51.34 50.52 50.50 50.17 51.52 49.43 48.70 51.86 51.26 47.75 51.55 46.96 VI KT LUN Bài báo ã  xut phơng pháp nhn dng iu ca ting Vit nói s dng mơ hình phân tích khác bit tuyn tính LDA (Linear Discrimination Analysis), phân tích khác bit tồn phơng QDA (Quadratic Discrimination Analysis), K láng ging gn nht KNN (K-Nearest Neighbor), b phân lp h tr véc tơ SVC (support vector classifier) máy h tr véc tơ SVM (Support Vector Machine) Các th nghim nhn dng iu c tin hành theo hai quan im: iu tn ti c âm tit iu ch tn ti phn hu ca âm tit Các kt qu th nghim cho thy quan im coi iu ch tn ti phn hu ca âm tit cho kt qu nhn dng cao so vi quan im coi iu tn ti c âm tit Ngoài ra, phơng pháp nhn dng c th nghim, phơng pháp QDA cho kt qu nhn dng cao nht Hng nghiên cu tip theo s áp dng phơng pháp mng nơ ron hc sâu Ngoài có th kt hp tiêu chí phân loi iu nh phân loi theo cao  hay theo lut bngtrc nhn dng iu K thut nhn dng iu cng s c áp dng nghiên cu ca v nhn dng tng hp ting Vit nói TÀI LIU THAM KHO Hình Kt qu nhn dng iu theo s thành phn chun hóa theo thi gian N [1] [2]  ánh giá nh hng ca s thành phn chun hóa N n kt qu nhn dng iu, biu din kt qu ca phơng pháp nhn dng theo s thành phn chun hóa N nh hình Trong hình này, LDA_1, QDA_1, KNN_1, SVC_1, SVM1 kt qu ca phơng pháp coi iu nm [3] 346 346 oàn Thin Thut, “Ng âm ting Vit”, Nhà xut bn Giáo dc, Hà Ni, 1997 Trevor Hastie, Robert Tibshirani, Jerome Friedman, “The Elements of Statistical Learning, Data Mining, Inference, and Prediction ”, Springer, USA 2014 Yang, W.-J & Lee, J.-C & Chang, Y.-C & Wang, H.-C ”Hidden Markov model for Mandarin lexical tone recognition”, Acoustics, Speech and Signal Processing, IEEE Transactions on (Volume:36 , Issue: ), 2002 HộiHội Thảo Quốc Gia 2015 vàCông CôngNghệ Nghệ Thông (ECIT 2015) Thảo Quốc Gia 2015về vềĐiện Điện Tử, Tử,Truyền Truyền Thông Thông Thông TinTin (ECIT 2015) [11] Ngoc, Thang V & Schultz, T ”Vietnamese large vocabulary continuous speech recognition”, Automatic Speech Recognition & Understanding, 2009 [12] Viet Bac Le & Besacier, L ”Automatic Speech Recognition for UnderResourced Languages: Application to Vietnamese Language”, Audio, Speech, and Language Processing, IEEE Transactions on (Volume:17 , Issue: ), 2009 [13] Davis, S.; Mermelstein, P ”Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentences”, IEEE Trans Acoust., Speech, Signal Processing, vol 28, pp 357-366, 1980 [14] Hong Quang Nguyen; Nocera, P.; Castelli, E.; Van Loan, T., ”Tone recognition of Vietnamese continuous speech using hidden Markov model”, Communications and Electronics, 2008 HUT-ICCE 2008 Second International Conference on , vol., no., pp.235,239, 4-6 June 2008 [4] Charnvivit, P & Jitapunkul, S & Ahkuputra, V & Maneenoi, E & Thathong, U & Thampanitchawong, B ”F0 Feature Extraction by Polynomial Regression Function for Monosyllabic Thai Tone Recognition”, INTERSPEECH, 2001 [5] Brunelle, M ”Coarticulation effects in northern Vietnamese tones”, Proceedings of the 15th International Conference of Phonetic Sciences, 2003 [6] Michaud, A ”Final Consonants and Glottalization: New Perspectives from Hanoi Vietnamese”, 2004 [7] Pham, H ”Vietnamese Tone – A New Analysis”, New York: Routledge, ISBN 0-415-96762-7, 2003 [8] Chu, Mai N ”Cơ s ngôn ng hc ting Vit”, Vietnam Education Publishing House, 1997 [9] Viet Bac Le & Besacier, L ”First steps in fast acoustic modeling for a new target language: Application to Vietnamese”, ICASSP 2005 [10] Quan, V & Kris, D & Dirk, V ”Vietnamese Automatic Speech Recognition: The FLaVoR Approach”, Chinese Spoken Language Processing Lecture Notes in Computer Science Volume 4274, 2006 347 347 ... Kt lun hng phát trin c a phn V • • II III Thanh bng Thanh ngang Thanh sc Thanh huyn Thanh nng Thanh trc Thanh hi Thanh ngã CÁC PHƠNG PHÁP TH NGHIM NHN DNG Trong báo này, ... Vit nói ây t c s dng ngơn ng giao tip thng ngày Có tng cng 6221 t ã c tp hp Phân b iu s d liu c mô t bng Bng Phân b iu c s d liu ting nói Thanh iu Thanh. .. mô t bng Bng Phân b iu c s d liu ting nói Thanh iu Thanh ngang Thanh huyn Thanh sc Thanh nng Thanh hi Thanh ngã Tng cng Tng s t 1257 1022 1591 1203 706 442 6221 Trong s d