188宝金博页面版

  • 图案背景
  • 纯色背景
视图
标记
批注
批注本地保存成功，开通会员云端永久保存 去开通
adsuhviusa

上传于：2018-07-23

粉丝量：104

该文档贡献者很忙，什么也没留下。


  • 相关
  • 目录
  • 笔记
  • 书签

188宝金博页面版:更多相关文档

  • 基于卷积盲源分离的噪声鲁棒性语音识别的研究

    星级： 4 页

  • 基于卷积神经网络的面罩语音识别

    星级： 9 页

  • 基于频谱的语音识别研究_互相关卷积部分

    星级： 4 页

  • 基于卷积神经网络的语音识别研究

    星级： 67 页

  • 基于深度卷积神经网络的连续语音识别研究

    星级： 4 页

  • （论文）基于频谱的语音识别研究——互相关卷积部分

    星级： 4 页

  • 基于频谱的语音识别研究——互相关卷积部分,基于频谱的语音识别研究——互相关卷积部分

    星级： 4 页

  • 基于卷积神经网络的连续语音识别

    星级： 6 页

  • 基于卷积神经网络的面罩语音识别_王霞

    星级： 5 页

  • 基于卷积神经网络的语音识别分析

    星级： 1 页

  • 【精品】基于单片机的四路抢答器的课程设计

    星级： 33 页

暂无目录

点击鼠标右键菜单,创建目录

    暂无笔记

    选择文本，点击鼠标右键菜单，添加笔记

    暂无书签

    在左侧文档中，点击鼠标右键，添加书签

    188宝金博页面版: 基于反向卷积的Bi-LSTM语音识别

    下载积分： 300

    内容提示： 基于反向卷积的 Bi-LSTM 语音识别居治华,刘 罡,陈琦岚,吕 微,阮佳慧,武业皓(湖北工业大学 计算机学院,湖北 武汉 430068 )摘 要: 语音本身具有一定的上下文相关性,而传统语音识别系统中的语言模型对历史信息记忆能力不足,无法充分学习语音序列的相关性。为解决该问题,提出一种基于反向卷积的双向长短时记忆( Bi-LSTM )网络的语音识别方法,该模型在反向长短时记忆单元通路末端增加了一个卷积层,再经过两个全连接层,最后通过分类器输出识别结果。将该模型与目前主流的深度学习模型进行实验对比,结果表明该模型能有效提高语音识别正确率。关键词: 语音...

    文档格式：PDF | 页数：5 | 浏览次数：70 | 上传日期：2018-07-23 18:17:47 | 文档星级：
    基于反向卷积的 Bi-LSTM 语音识别居治华,刘 罡,陈琦岚,吕 微,阮佳慧,武业皓(湖北工业大学 计算机学院,湖北 武汉 430068 )摘 要: 语音本身具有一定的上下文相关性,而传统语音识别系统中的语言模型对历史信息记忆能力不足,无法充分学习语音序列的相关性。为解决该问题,提出一种基于反向卷积的双向长短时记忆( Bi-LSTM )网络的语音识别方法,该模型在反向长短时记忆单元通路末端增加了一个卷积层,再经过两个全连接层,最后通过分类器输出识别结果。将该模型与目前主流的深度学习模型进行实验对比,结果表明该模型能有效提高语音识别正确率。关键词: 语音识别;双向长短时记忆神经网络;深度学习DOI : 10.11907 / rjdk.173082中图分类号: TP301 文献标识码:A 文章编号: 1672-7800 ( 2018 ) 007-0027-04 Bi-LSTM Speech Recognition Based on Reverse ConvolutionJU Zhi-hua , LIU Gang , CHEN Qi-lan , LV Wei , RUAN Jia-hui , WU Ye-hao(School of Computer Science , Hubei University of Technology , Wuhan 430068 , China )Abstract : The speech itself has a certain degree of contextual relevance.However , the language model in the traditional speech recognition system is not capable of remembering historical information and can not sufficiently learn the relevance of the speech sequence.To solve this problem , this paper proposes a speech recognition method based on reverse convolutionary Bidirectional Long Short Term Memory (Bi-LSTM ) network.The model adds a convolution layer to the end of the memory cell path in the reverse direction , and then passes through two fully connected layers.Finally , the recognition result is outputted through the classifier.Compared with the current mainstream depth learning model , this model can effectively improve the speech recognition accuracy.Key Words : speech recognition ; bidirectional long short-term memory neural network ; depth learning收稿日期:2017-12-01基金项目:湖北省大学生创新创业训练计划项目(201710500032 )作者简介:居治华(1996- ),男,湖北工业大学计算机学院学生,研究方向为语音识别;刘罡( 1982- ),男,博士,湖北工业大学计算机学院副教授,研究方向为深度学习、演化算法。0 引言 语音识别是将一段语音信号转换成对应的文本信息或命令的技术。传统的语音识别由信号处理及特征提取模块、声学模型、发音词典、语言模型、解码器所构成,常用方 法 有:动 态 时 间 规 整 ( Dynamical Time Warping ,DTW )[ 1 ] 、矢量量化(Vector Quantizization , VQ )[ 2 ] 、隐马尔科夫模型( Hidden Markov Model , HMM )[ 3 ] 等。 随后发展的人工神经网络也被应用于语音识别,但它与传统语音识别方法不同,其本质上是一个自适应非线性动力学系统,一般由神经元、训练算法及网络结构 3 大要素构成。人工神经网络模型有反向传播算法( Back Prop-agation , BP )[ 4 ] 、最 大 熵 法 (LogisticsRegression , LR )[ 5 ] 、Boosting 算法[ 6 ] 等。但这些都属于浅层学习模型,例如,Boosting 模型只有一层隐含层节点,LR 没有隐含层节点。浅层人工神经网络模型存在着一些问题,例如,不能很好地解释语音信号的时间动态特性;在训练学习网络模型时容易过拟合;调整模型参数较难,需要不少技巧和经验。随着深度学习概念[ 7 ] 的提出,不少深度学习模型也被应用于语音识别中。深度学习是用多层非线性结构将低层特征变换成更加抽象的高层特征,通过逐层学习和特征变换,保留本质特征,从而提升分类或预测准确性[ 8 ] 。目前主流的深度学习模型有循环神经网络( Recurrent Neural Networks , RNN ),其被应用于语音识别的声学建模[ 9 ] ,但简单的 RNN 存在梯度消失问题,历史信息记忆能力不

    阅读了该文档的用户还阅读了这些文档

    188宝金博页面版:关于我们

    188宝金博页面版:帮助中心

    188宝金博页面版:关注我们

    • 新浪微博

    关注188宝金博页面版公众号

    188宝金博页面版
    阅读
    APP
    阅读
    返回
    顶部
    188宝金博页面版官网登录在线平台入口（2026已更新）—江苏协昌电子科技股份有限公司