基于神經(jīng)網(wǎng)絡(luò)與混合結(jié)構(gòu)聲學(xué)特征的語(yǔ)音識(shí)別研究.pdf

1、近些年來(lái)，隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，神經(jīng)網(wǎng)絡(luò)也迎來(lái)了新一輪的熱潮，基于神經(jīng)網(wǎng)絡(luò)的混合結(jié)構(gòu)模型及聲學(xué)特征提取方面都取得了驕人的成就。自從2011年微軟研究院首次利用深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）在大規(guī)模的語(yǔ)音識(shí)別實(shí)驗(yàn)上獲得的效果顯著提升，從此神經(jīng)網(wǎng)絡(luò)在語(yǔ)音識(shí)別領(lǐng)域逐漸受到越來(lái)越多社會(huì)各界的關(guān)注。語(yǔ)音識(shí)別技術(shù)的目的本質(zhì)上是讓機(jī)器能聽(tīng)懂人說(shuō)的話，伴隨快速發(fā)展的計(jì)算機(jī)技術(shù)水平，日常生活中人們對(duì)語(yǔ)音識(shí)別產(chǎn)品的期望是

2、越來(lái)越高。
　　首先，本文從整體上介紹了下語(yǔ)音識(shí)別技術(shù)，緊接著詳細(xì)探討了特征參數(shù)在語(yǔ)音識(shí)別中是如何提取，進(jìn)而針對(duì)傳統(tǒng)的靜態(tài)特征參數(shù)（LPCC、MFCC）與動(dòng)態(tài)特征參數(shù)（ΔLPCC、ΔMFCC）進(jìn)行了相應(yīng)的討論，引申出了線性預(yù)測(cè)梅爾倒譜系數(shù)（LPMFCC）的混合特征做了相應(yīng)的理論及算法的分析，同時(shí)對(duì)結(jié)合神經(jīng)網(wǎng)絡(luò)在特征參數(shù)提取上的進(jìn)展做了介紹。
　　其次，探討了神經(jīng)網(wǎng)絡(luò)的聲學(xué)建模及在語(yǔ)音識(shí)別中的作用，概述了神經(jīng)網(wǎng)絡(luò)的聲學(xué)建模發(fā)展

3、歷程，重點(diǎn)對(duì)限制玻爾茲曼機(jī)(Restricted Boltzmann Machine，RBM)的細(xì)節(jié)、常用的學(xué)習(xí)算法，以及評(píng)估方法進(jìn)行了系統(tǒng)描述。通過(guò)對(duì)反向傳播算法（Back-Propagation）的研究，采用（LPMFCC,ΔMFCC）的混合結(jié)構(gòu)聲學(xué)特征參數(shù)與傳統(tǒng)的MFCC（梅爾倒譜系數(shù)）在BP（反向傳播算法）神經(jīng)網(wǎng)絡(luò)及DBN（深度置信網(wǎng)絡(luò)）神經(jīng)網(wǎng)絡(luò)聲學(xué)模型下進(jìn)行了語(yǔ)音識(shí)別實(shí)驗(yàn)，從而驗(yàn)證了線性預(yù)測(cè)梅爾倒譜系數(shù)與梅爾倒譜系數(shù)的一階差分

4、相混合的特征比梅爾倒譜系數(shù)可以更好地表現(xiàn)語(yǔ)音的特征，再在一定程度上改進(jìn)優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)，更重要的縮短了訓(xùn)練時(shí)間，提高了訓(xùn)練效率，同時(shí)也使得識(shí)別性能明顯提高。
　　深度學(xué)習(xí)算法中的RBM模型相對(duì)較容易學(xué)習(xí)，這種模型的算法克服了直接對(duì)多層網(wǎng)絡(luò)進(jìn)行訓(xùn)練的效率問(wèn)題。本文在語(yǔ)音識(shí)別實(shí)驗(yàn)中采用的是深度信念網(wǎng)絡(luò)模型(Deep Belief Nets，DBN)，其主要是由RBM（限制玻爾茲曼機(jī)）堆疊構(gòu)成。實(shí)驗(yàn)開(kāi)始前先將（LPMFCC,ΔMFCC