欢迎来到天天文库
浏览记录
ID:20655185
大小:81.73 KB
页数:13页
时间:2018-10-14
《基于非均匀mce准则的dnn关键词检测系统中声学模型的训练》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、基于非均匀MCE准则的DNN关键词检测系统中声学模型的训练摘要:关键词检测是从连续语音流中检测预先定义的给定词的技术,是语音识别领域的一个重要应用。目前的关键词检测研究中,主流的方法是基于连续语音识别器的先识别后检测的两阶段方法,语音识别器的准确率对关键词检测有很大影响。本文首先在识别阶段引入深度学习技术来改善关键词检测算法的性能。进而针对识别阶段和检测阶段缺乏紧密联系,耦合度不够的问题,研究了侧重关键词的深度神经网络声学建模技术,利用非均匀的最小分类错误准则来调整深度神经网络声学建模中的参数,并利用AdaBo
2、ost算法来动态调整声学建模中的关键词权重。结果表明,利用非均匀最小分类错误准则来调整深度神经网络参数进行优化的声学模型,可以提高关键词检测的性能。关键词:深度学习;关键词检测;AdaBoost;最小分类错误中图分类号:TP391.4文献标识码:A文章编号2095-2163(2015)04-Non-uniformMCEbasedAcousticModelforKeywordSpottingbasedonDeepNeuralNetwork基于非均匀MCE准则的DNN关键词检测系统中声学模型的训练摘要:关键词检测是
3、从连续语音流中检测预先定义的给定词的技术,是语音识别领域的一个重要应用。目前的关键词检测研究中,主流的方法是基于连续语音识别器的先识别后检测的两阶段方法,语音识别器的准确率对关键词检测有很大影响。本文首先在识别阶段引入深度学习技术来改善关键词检测算法的性能。进而针对识别阶段和检测阶段缺乏紧密联系,耦合度不够的问题,研究了侧重关键词的深度神经网络声学建模技术,利用非均匀的最小分类错误准则来调整深度神经网络声学建模中的参数,并利用AdaBoost算法来动态调整声学建模中的关键词权重。结果表明,利用非均匀最小分类错误
4、准则来调整深度神经网络参数进行优化的声学模型,可以提高关键词检测的性能。关键词:深度学习;关键词检测;AdaBoost;最小分类错误中图分类号:TP391.4文献标识码:A文章编号2095-2163(2015)04-Non-uniformMCEbasedAcousticModelforKeywordSpottingbasedonDeepNeuralNetworkWANGZhaosong,HANJiqing,ZHENGTieran(SchoolofComputerScienceandTechnology,Harb
5、inInstituteofTechnology,Harbin150001,China)Abstract:Spokentermdetection(STD)isatasktoautomaticallydetectasetofkeywordsincontinuousspeech,whichisanimportantfieldofspeechrecognition.Currentstudyisbasedontwo-stageapproachi.e.recognitionanddetection.Theaccuracyo
6、fspeechrecognitionhasasignificantimpactonkeyworddetection.Firstly,thispaperusesdeepleaningtechniquestoimproveperformanceduringthefirststage.Asthetwostageslackofclosecontact,thepaperstudiesusingnon-uniformmisclassificationerror(MCE)criteriatoadjusttheparamete
7、rsindeepneuralnetworkbasedacousticmodeling.Furtherthepaperusestheadaptiveboosting(AdaBoost)strategytoadjustkeywords’weightdynamically.Itshowsthatnon-uniformMCEcanimprovetheperformanceofSTD.Keyword:DeepLearning;SpokenTermDetection;AdaBoost;MinimumClassificati
8、onError0引言自2006年以来,深度学习已经成为机器学习的一个重点研究领域,而且现已在许多方面取得了卓越进展。而在语音识别领域,基于深度学习的方法也随即应用而生,特别是在声学建模上,深度神经网络(DeepNeuralNetwork,DISfN)已经能够替代高斯混合模型(GaussianMixtureModel,GMM),并和隐马尔科夫模型(HiddenMarkovModel,HM
此文档下载收益归作者所有