FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W2030895381> ?p ?o ?g. }

• W2030895381 endingPage "29" @default.
• W2030895381 startingPage "15" @default.
• W2030895381 abstract "The vowel sub-component of a speaker-independent phoneme classification system will be described. The architecture of the vowel classifier is based on an ear model followed by a set of Multi-Layered Neural Networks (MLNN). MLNNs are trained to learn how to recognize articulatory features like the place of articulation and the manner of articulation related to tongue position. Experiments are performed on 10 English vowels showing a recognition rate higher than 95% on new speakers. When features are used for recognition, comparable results are obtained for vowels and diphthongs not used for training and pronounced by new speakers. This suggests that MLNNs suitably fed by the data computed by an ear model have good generalization capabilities over new speakers and new sounds. Beschrieben wird eine Klassifizierungsstufe für Vokale als Teil eines sprecherunabhängigen Phonemklassifizierungssystems. Die Architektur dieses Vokalklassifikators basiert auf einem Ohrmodell, das von einem Satz mehrschichtiger neuronaler Netze gefolgt wird. Diese neuronalen Netze werden darauf trainiert, artikulatorische Merkmale, wie z.B. den Ort der Artikulation oder die Art der Artikulation — bezogen auf die Position der Zunge — zu erkennen. Experimente mit 10 englischen Vokalen ergeben eine Erkennungsrate von mehr als 95% für neue, dem System bisher unbekannte Sprecher. Werden phonetische Merkmale für die Erkennung herangezogen, so lassen sich vergleichbare Resultate für solche Vokale und Diphthonge erreichen, die für das Training nicht verwendet oder von neuen Sprechern geäuβert wurden. Dies legt nahe, daβ mehrschichtige neuronale Netze, auf passende Weise mit den Ausgangsdaten eines Ohrmodells angesteuert, sich bei der Erweiterung dieser Aufgabe auf neue Sprecher oder neue Laute als gut geeignet erweisen. Nous présentons un système de classification de phonèmes indépendant du locuteur et appliqué aux voyelles. L'architecture du classificateur de voyelles est basée surun modèle d'oreille suivi d'un ensemble de réseaux neuronaux à plusieurs couches (MLNN). Les MLNNs apprennent à reconnaître les traits articulatoires, par exemple le lieu et le mode d'articulation en relation avec la position de la langue. Des expériences ont été effectuées sur 10 voyelles anglaises et montrent un taux de reconnaissance supérieur à 95% sur de nouveaux locuteurs. Lorsque les traits sont utilisés pour la reconnaissance, des résultats comparables sont obtenus pour des voyelles et des dihthongues qui n'ont pas été utilisées lors de l'apprentissage et prononcées par de nouveaux locuteurs. Ceci suggère que, pour des données calculées par un modèle d'oreille, les MLNNs présentent un bon pouvoir de généralisation pour de nouveaux locuteurs et de nouveaux sons." @default.
• W2030895381 created "2016-06-24" @default.
• W2030895381 creator A5001591139 @default.
• W2030895381 creator A5081408760 @default.
• W2030895381 creator A5086198262 @default.
• W2030895381 date "1990-02-01" @default.
• W2030895381 modified "2023-09-23" @default.
• W2030895381 title "Phonetically-based multi-layered neural networks for vowel classification" @default.
• W2030895381 cites W1972032099 @default.
• W2030895381 cites W1975307833 @default.
• W2030895381 cites W1979615679 @default.
• W2030895381 cites W1993569028 @default.
• W2030895381 cites W2021774695 @default.
• W2030895381 cites W2028429753 @default.
• W2030895381 cites W2031124406 @default.
• W2030895381 cites W2044239820 @default.
• W2030895381 cites W2055474671 @default.
• W2030895381 cites W2076395366 @default.
• W2030895381 cites W48303286 @default.
• W2030895381 doi "https://doi.org/10.1016/0167-6393(90)90041-7" @default.
• W2030895381 hasPublicationYear "1990" @default.
• W2030895381 type Work @default.
• W2030895381 sameAs 2030895381 @default.
• W2030895381 citedByCount "17" @default.
• W2030895381 countsByYear W20308953812022 @default.
• W2030895381 crossrefType "journal-article" @default.
• W2030895381 hasAuthorship W2030895381A5001591139 @default.
• W2030895381 hasAuthorship W2030895381A5081408760 @default.
• W2030895381 hasAuthorship W2030895381A5086198262 @default.
• W2030895381 hasConcept C154945302 @default.
• W2030895381 hasConcept C2779581591 @default.
• W2030895381 hasConcept C28490314 @default.
• W2030895381 hasConcept C41008148 @default.
• W2030895381 hasConcept C50644808 @default.
• W2030895381 hasConcept C76978605 @default.
• W2030895381 hasConceptScore W2030895381C154945302 @default.
• W2030895381 hasConceptScore W2030895381C2779581591 @default.
• W2030895381 hasConceptScore W2030895381C28490314 @default.
• W2030895381 hasConceptScore W2030895381C41008148 @default.
• W2030895381 hasConceptScore W2030895381C50644808 @default.
• W2030895381 hasConceptScore W2030895381C76978605 @default.
• W2030895381 hasIssue "1" @default.
• W2030895381 hasLocation W20308953811 @default.
• W2030895381 hasOpenAccess W2030895381 @default.
• W2030895381 hasPrimaryLocation W20308953811 @default.
• W2030895381 hasRelatedWork W2027612706 @default.
• W2030895381 hasRelatedWork W2034778120 @default.
• W2030895381 hasRelatedWork W2141601825 @default.
• W2030895381 hasRelatedWork W2376341893 @default.
• W2030895381 hasRelatedWork W2768964141 @default.
• W2030895381 hasRelatedWork W2805081198 @default.
• W2030895381 hasRelatedWork W2964322844 @default.
• W2030895381 hasRelatedWork W3156562711 @default.
• W2030895381 hasRelatedWork W332553347 @default.
• W2030895381 hasRelatedWork W2184417239 @default.
• W2030895381 hasVolume "9" @default.
• W2030895381 isParatext "false" @default.
• W2030895381 isRetracted "false" @default.
• W2030895381 magId "2030895381" @default.
• W2030895381 workType "article" @default.