基于卷積神經(jīng)網(wǎng)絡的語音識別研究.pdf

1、近年，隨著深度神經(jīng)網(wǎng)絡(Deep Neural Network，DNN)在語音識別中的成功應用，研究人員陸續(xù)展開了對其他網(wǎng)絡結構的探索。卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)憑借其特殊的網(wǎng)絡結構和強大的特征學習能力，吸引了許多學者對其進行深入研究。目前，在聲學模型構建和聲學特征提取中，CNN的潛力還有待進一步挖掘。
　　本文從語音識別基本原理出發(fā)，以聲學模型和聲學特征為切入點，主要研究了深

2、度卷積神經(jīng)網(wǎng)絡在語音識別任務中的應用:
　　(1)研究了基于深度卷積神經(jīng)網(wǎng)絡的聲學建模，本文從模型結構、訓練算法等方面深入對比分析了Deep CNN、DNN以及GMM在聲學建模中的應用，闡述了CNN用于描述HMM狀態(tài)輸出概率分布的可行性，著重研究了不同網(wǎng)絡深度下CNN的性能表現(xiàn)。應用CNTK和Kaldi開源語音識別平臺分別實現(xiàn)了基于GMM-HMM、DNN-HMM以及不同深度的CNN-HMM聲學模型的識別系統(tǒng)，在850人實驗數(shù)據(jù)集上

3、通過實驗表明:2卷積層的CNN-HMM聲學模型較DNN-HMM、GMM-HMM聲學模型在音素誤識率上有著8.29％和36.89％的相對降低，6卷積層的CNN-HMM聲學模型較2卷積層的CNN-HMM聲學模型在音素誤識率上有著8.13％的相對降低。
　　(2)研究了基于深度卷積神經(jīng)網(wǎng)絡的時-頻譜特征提取，本文分析了現(xiàn)有聲學特征Fbank的兩點缺陷:設計過于依賴經(jīng)驗性知識，存在部分語音信息損失。從語譜的物理意義出發(fā)，提出了基于Deep