基于神經(jīng)網(wǎng)絡與混合結構聲學特征的語音識別研究.pdf

1、近些年來，隨著計算機技術的快速發(fā)展，神經(jīng)網(wǎng)絡也迎來了新一輪的熱潮，基于神經(jīng)網(wǎng)絡的混合結構模型及聲學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（Deep Neural Network，DNN）在大規(guī)模的語音識別實驗上獲得的效果顯著提升，從此神經(jīng)網(wǎng)絡在語音識別領域逐漸受到越來越多社會各界的關注。語音識別技術的目的本質上是讓機器能聽懂人說的話，伴隨快速發(fā)展的計算機技術水平，日常生活中人們對語音識別產(chǎn)品的期望是

2、越來越高。
　　首先，本文從整體上介紹了下語音識別技術，緊接著詳細探討了特征參數(shù)在語音識別中是如何提取，進而針對傳統(tǒng)的靜態(tài)特征參數(shù)（LPCC、MFCC）與動態(tài)特征參數(shù)（ΔLPCC、ΔMFCC）進行了相應的討論，引申出了線性預測梅爾倒譜系數(shù)（LPMFCC）的混合特征做了相應的理論及算法的分析，同時對結合神經(jīng)網(wǎng)絡在特征參數(shù)提取上的進展做了介紹。
　　其次，探討了神經(jīng)網(wǎng)絡的聲學建模及在語音識別中的作用，概述了神經(jīng)網(wǎng)絡的聲學建模發(fā)展

3、歷程，重點對限制玻爾茲曼機(Restricted Boltzmann Machine，RBM)的細節(jié)、常用的學習算法，以及評估方法進行了系統(tǒng)描述。通過對反向傳播算法（Back-Propagation）的研究，采用（LPMFCC,ΔMFCC）的混合結構聲學特征參數(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)絡及DBN（深度置信網(wǎng)絡）神經(jīng)網(wǎng)絡聲學模型下進行了語音識別實驗，從而驗證了線性預測梅爾倒譜系數(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)語音的特征，再在一定程度上改進優(yōu)化了BP神經(jīng)網(wǎng)絡，更重要的縮短了訓練時間，提高了訓練效率，同時也使得識別性能明顯提高。
　　深度學習算法中的RBM模型相對較容易學習，這種模型的算法克服了直接對多層網(wǎng)絡進行訓練的效率問題。本文在語音識別實驗中采用的是深度信念網(wǎng)絡模型(Deep Belief Nets，DBN)，其主要是由RBM（限制玻爾茲曼機）堆疊構成。實驗開始前先將（LPMFCC,ΔMFCC