【摘 要】
：
目前,在计算机辅助语言发音评测系统中大部分采用简单的线性回归模型进行机器分与人工评分之间的数据融合,该模型要求机器的评分特征与人的主观评分呈近似的线性关系,而实际
论文部分内容阅读
目前,在计算机辅助语言发音评测系统中大部分采用简单的线性回归模型进行机器分与人工评分之间的数据融合,该模型要求机器的评分特征与人的主观评分呈近似的线性关系,而实际呈现非线性。对此,文章引入多元非线性回归模型对分数进行映射融合,使其更符合人的主观评分。同时,在算法优化问题上,用改进步长下的高斯-牛顿算法来求解,大大提高了收敛精度。实验表明,该算法在普通话口语评测中使系统性能得到明显提升。
其他文献
文本自动分类是信息检索与数据挖掘领域的研究热点与核心技术.文本分类中数据集的不均衡问题是一个在实际应用中普遍存在的问题.如何在不影响整体分类性能的基础上,提高稀有
传统的结构化LIC方法不适用于非结构矢量场数据处理的主要原因有两个,一是矢量幅度的表现力不强,二是因分辨率等因素无法有效地应用于采样点位置随机的矢量场.为解决上述问题,可以采用如下方法:在DDA曲线的生成过程中,采用基于数值的计算方法替代结构化LIC中基于网格的计算方法,从而有效地保证了处理结果的分辨率;在DDA曲线的卷积积分(LIC)处理过程中,采用区域标记的策略替代快速LIC方法中的线标记策略
当部署的传感器节点服从随机分布时，现有的基于分组的节点调度算法不能保证各个组内的节点均匀分布在目标区域．基于以上原因，建立了极大相似分布模型，并提出了极大相似分布的一种