10.3969/j.issn.1000-3428.2016.05.035
基于POWER8的动态自适应池化算法
针对当前卷积神经网络(CNN)模型中池化层关键语音特征提取效率低下的问题,提出一种基于POWER8架构的动态自适应池化(DA-Pooling)算法.在深度学习工具Caffe上实现CNN模型,输入经过卷积层的梅尔域滤波带系数,提取局部相邻语音的特征数据,通过计算Spearman相关系数确定数据间的相关程度.根据特征权重对具有不同相关性的语音数据动态分配池化算法,以提高池化层对不同相关性数据的适应能力.DA-Pooling利用POWER8的高效浮点运算和多线程并行计算优势,提高了海量语音数据的处理效率.实验结果证明,相比现有主流Pooling算法,DA-Pooling可提高关键语音数据的识别准确率,保证CNN中语音识别的稳定性.
卷积神经网络、POWER8架构、池化算法、Caffe深度学习工具、语音特征提取、数据相关性
42
TP393(计算技术、计算机技术)
黑龙江省自然科学基金资助项目ZD201403;公益性行业科研专项基金资助项目201504307
2016-07-13(万方平台首次上网日期,不代表论文的发表时间)
共6页
207-212