10.16337/j.1004-9037.2016.02.013
基于区分性准则的Bottleneck特征及其在LVCSR中的应用
基于深层神经网络中间层的Bottleneck(BN)特征由于可以采用传统的混合高斯模型‐隐马尔可夫建模(Gaussian mixture model‐hidden Markov model ,GMM‐HMM ),在大规模连续语音识别中获得了广泛的应用。为了提取区分性的BN特征,本文提出在使用传统的BN特征训练好GM M‐HM M模型之后,利用最小音素错误率(Minimum phone error ,MPE)准则来优化BN网络参数以及GMM‐HMM模型参数。该算法相对于其他区分性训练算法而言,采用的是全部数据作为一个大的数据包,而不是小的包方式来训练深度神经网络,从而可以大大加快训练速度。实验结果表明,优化后的BN特征提取网络比传统方法能获得9%的相对词错误率下降。
语音识别、神经网络、区分性训练、Bottleneck特征
31
TN912.34
2016-05-20(万方平台首次上网日期,不代表论文的发表时间)
共7页
331-337