在案件偵破中,方言的辨別能提供重要線索。為了對漢語方言進(jìn)行辨別,基于長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）的方言辨識模型被提出,語音樣本數(shù)據(jù),其中包括地區(qū)口頭禪,均采集于貴州省6個(gè)地區(qū),并提取梅爾頻率倒譜系數(shù)（MFCC）,每份語音樣本MFCC后面加上相應(yīng)的地區(qū)口頭禪MFCC,然后采用滑窗進(jìn)行信息重疊分塊,對每塊分別進(jìn)行橫向與縱向奇異值分解并保留高貢獻(xiàn)率的特征向量,把分塊合并作為方言辨識模型的輸入數(shù)據(jù)。先對LSTM進(jìn)行改進(jìn),然后構(gòu)建方言辨識模型。通過交叉實(shí)驗(yàn)對該模型進(jìn)行訓(xùn)練和驗(yàn)證,從而對滑窗的寬度進(jìn)行優(yōu)化,同時(shí)與循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）進(jìn)行比較。實(shí)驗(yàn)結(jié)果證明研究構(gòu)建的LSTM模型對漢語方言辨識是高效的。 

【文章來源】：科學(xué)技術(shù)與工程. 2019,19(02)北大核心

【文章頁數(shù)】：7 頁

【文章目錄】：
1 方言辨識模型描述
2 語音樣本與口頭禪的收集與整理
3 奇異值分解
4 數(shù)據(jù)標(biāo)準(zhǔn)化
5 方言辨識模型
    5.1 相關(guān)知識
    5.2 改進(jìn)的LSTM
6 實(shí)驗(yàn)及結(jié)果與分析
    6.1 交叉優(yōu)化實(shí)驗(yàn)
    6.2 時(shí)長區(qū)間不同的方言語音樣本測試
7 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的語種識別[J]. 崔瑞蓮,宋彥,蔣兵,戴禮榮.  模式識別與人工智能. 2015(12)
[2]基于深層神經(jīng)網(wǎng)絡(luò)（DNN）的漢語方言種屬語音識別[J]. 景亞鵬,鄭駿,胡文心.  華東師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(01)
[3]基于混合特征參數(shù)和BPAdaboost的方言辨識[J]. 彭湘陵,錢盛友,趙新民.  計(jì)算機(jī)工程與應(yīng)用. 2013(03)
[4]基于SOM神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的方言辨識[J]. 朱穎,錢盛友,趙新民.  計(jì)算機(jī)工程與應(yīng)用. 2009(22)
[5]基于動(dòng)態(tài)時(shí)間規(guī)整和神經(jīng)網(wǎng)絡(luò)的方言辨識研究[J]. 錢盛友,許慧燕.  計(jì)算機(jī)工程與應(yīng)用. 2008(10)



本文編號：3016867