基于深度神經(jīng)網(wǎng)絡(luò)的蒙古語語音識別系統(tǒng)聲學(xué)模型的研究.pdf

1、語音識別是實現(xiàn)人機交互的重要手段，它的最終目的是讓人與機器能夠像人與人一樣通過語音對話實現(xiàn)交流。在最近幾年里，語音識別技術(shù)經(jīng)歷了巨大的變革，深度神經(jīng)網(wǎng)絡(luò)成功替代了高斯混合模型(GMM)成為聲學(xué)建模的主流方法。不同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如深度神經(jīng)網(wǎng)絡(luò)（DNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）以及長短時記憶神經(jīng)網(wǎng)絡(luò)(LSTM)等在聲學(xué)模型上得到了廣泛的研究。然而這些研究主要集中在英語，中文等使用人數(shù)較多的語言上，對于其它使用人數(shù)較少的語言來講，語音識別技術(shù)

2、研究仍然處于初級的研究階段，其中蒙古語正是這樣的一種語言。
　　本文將DNN、時延神經(jīng)網(wǎng)絡(luò)（TDNN）、CNN，LSTM，前向序列記憶神經(jīng)網(wǎng)絡(luò)(FSMN)等神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)用于蒙古語聲學(xué)模型的建模，通過對比不同神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的聲學(xué)模型來研究神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對蒙古語語音識別性能影響。同時為了進一步提升蒙古語聲學(xué)模型的性能，本文還使用神經(jīng)網(wǎng)絡(luò)的區(qū)分性訓(xùn)練方法和添加說話人特征兩種方式對模型進行了優(yōu)化訓(xùn)練。實驗結(jié)果表明，基于LSTM的聲學(xué)模型在蒙古