Abstract: S. P. Chandrasekaran (2007)

The paper describes about a novel nonlinear feature extraction technique based upon Recurrence Plot(RP). This plot not only helps in visualizing the system dynamics but also can be quantified. The Recurrence Quantification Analysis (RQA) characterizes various aspects of a dynamic system and makes it a suitable technique for feature extraction. We have taken three prime quantification techniques namely Recurrence Rate, Entropy and Average Diagonal Length. The information about the system gets distributed in these quantities. Hence we need a model that is capable of taking into account the information from all the three RQA techniques. Dynamic Bayesian Networks (DBNs) can model these information very efficiently. For this purpose we have used Factorial Hidden Markov Model (FHMM) which is a special case of DBNs. The proposed method works well even in presence of noise when compared with the conventional technique.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

A nonlinear dynamic modelling for speech recognition using recurrence plot - a dynamic bayesian approach