English
资源说明：标题“Improved system fusion for keyword search”和描述表明本文讨论了关键词搜索系统融合技术的改进，并通过对比多种不同的算术基础融合方法来找到最佳的流程。系统融合技术能够显著提高关键词搜索的性能，这一点已经得到证明。本文提出了一种新的算术基础融合方法，该方法提供了一种更有效的方式整合在检测中拥有非零分的系统数量。在OpenKWS15评估的发展测试数据集上，提出的方法在最大词加权值(MTWV)和实际词加权值(ATWV)上取得了所有基于算术的融合方法中最高的结果。
在关键词搜索（Keyword Search，KWS）方面，目标是找到在未转录语音中给定关键词的所有出现。典型的KWS系统包括两个阶段：索引和搜索。在索引阶段，经过大规模词汇连续语音识别系统处理后，每个语音音频被索引。在搜索阶段，关键词在索引上被搜索，以产生所有检测的最终列表。随着计算机硬件的快速发展，可以为相同的KWS任务建立多个KWS系统。通过融合来自不同系统的KWS结果，我们通常可以得到一个更好的KWS结果。
本文还探索了基于深度神经网络（DNN）的融合方法。在添加了后爆发信息后，基于DNN的融合方法的表现超越了其他所有方法。值得注意的是，本文提出的基于算术的方法达到了与基于DNN的方法相同的最大词加权值(MTWV)。
此外，介绍部分提到，基于区分融合方法通常使用分类器，并且它们的性能可以超过基于算术的融合方法。例如，文章中探索的基于DNN的融合方法，在整合了后爆发信息之后，其性能超过了所有其他方法，包括本文提出的基于算术的融合方法。
在关键词搜索系统中，系统的融合是一个关键的技术，特别是在面对大量语音数据处理时。系统融合不仅能够提高关键词搜索的准确性，还能提高搜索的效率和速度。系统的融合技术通常包括将来自不同KWS系统的得分进行归一化处理，然后进行加权融合以生成最终的搜索结果。归一化过程对于融合结果的好坏至关重要，不同系统对同一关键词的响应可能在范围和分布上差异很大，因此需要一个有效的归一化流程来平衡这些差异。
在KWS系统中使用基于DNN的方法进行融合，意味着使用了深度学习技术来提高关键词搜索的精度。深度神经网络具有强大的特征提取和模式识别能力，它们能够在复杂数据中识别并利用深层次的结构信息。当这些技术被应用于系统融合时，尤其是将后爆发信息集成进系统之后，可以在关键词搜索中产生更准确的得分，从而提高整体性能。
在实际应用中，算术融合方法往往由于其简单和直观而受到青睐，但是，基于DNN的方法展示了其在处理大规模和复杂数据时的潜力。结合这两种方法的优势，能够为关键词搜索提供更加强大和精准的解决方案。
本研究得到了中国国家自然科学基金的支持，基金编号为***，这表明了此研究领域的重要性以及获得的资金支持对于推动该领域技术创新的重要性。通过不断探索和改进关键词搜索和系统融合技术，可以期待未来在语音识别和处理领域将会出现更多创新性的突破。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
