基于区分性准则的Bottleneck特征及其在LVCSR中的应用

摘要：

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。

关键词：语音识别、神经网络、区分性训练、Bottleneck特征

所属期刊栏目：31

分类号：TN912.34

在线出版日期：2016-05-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：331-337