基于回歸神經(jīng)網(wǎng)絡(luò)的語音識(shí)別抗噪研究.pdf

1、隨著移動(dòng)互聯(lián)網(wǎng)時(shí)代的快速發(fā)展，語音識(shí)別應(yīng)用變得越來越普及，語音交互由于其便捷性也逐漸被大眾所接受。但是語音識(shí)別過程中環(huán)境噪聲以及不同設(shè)備的信道多樣性制約著自動(dòng)語音識(shí)別系統(tǒng)的大規(guī)模應(yīng)用。近年來，深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）被成功應(yīng)用到自動(dòng)語音識(shí)別系統(tǒng)中，基于大數(shù)據(jù)訓(xùn)練，DNN相對(duì)于傳統(tǒng)方法有著更好的魯棒性，但是DNN在噪聲環(huán)境下仍面臨著識(shí)別率差的問題。而且，由于深度神經(jīng)網(wǎng)絡(luò)模型的特點(diǎn)，許多傳統(tǒng)的抗噪方法很

2、難被直接使用。為此，本文主要做了如下工作:
　　（一）本文在800小時(shí)的大規(guī)模訓(xùn)練數(shù)據(jù)下探索不同回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的建模能力，包括輸入輸出結(jié)構(gòu)，DNN-Autoencoder結(jié)構(gòu)，激活函數(shù)選擇等，通過實(shí)驗(yàn)對(duì)比得到最優(yōu)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。該方法通過DNN強(qiáng)大的非線性建模能力學(xué)習(xí)噪聲語音特征與干凈語音特征的映射關(guān)系，然后將處理后的帶躁語音輸入至語音識(shí)別系統(tǒng)中進(jìn)行語音識(shí)別從而提高語音識(shí)別率。本文的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)將噪聲語音的詞錯(cuò)誤率從23.8％降

3、低到18.2％，性能相對(duì)提升23.5％。
　?。ǘ┍疚氖状螌⒒旌厦芏染W(wǎng)絡(luò)（Mixture Density Network，MDN）應(yīng)用到抗噪語音識(shí)別。混合密度網(wǎng)絡(luò)將目標(biāo)特征擬合為混合高斯分布，通過最大似然函數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)，實(shí)驗(yàn)表明，MDN能夠帶來相對(duì)DNN有5.0％的詞錯(cuò)誤率下降，相對(duì)DNN有更強(qiáng)的擬合能力。
　?。ㄈ┍疚膶⒒貧w神經(jīng)網(wǎng)絡(luò)應(yīng)用到了遠(yuǎn)場語音識(shí)別以及頻譜擴(kuò)寬中。遠(yuǎn)場語音主要為卷積噪聲，本文實(shí)驗(yàn)表明回歸神經(jīng)網(wǎng)絡(luò)對(duì)