發(fā)布時(shí)間：2018-03-19 08:47

  本文選題：語音識(shí)別　切入點(diǎn)：語言模型　出處：《計(jì)算機(jī)研究與發(fā)展》2014年09期 　論文類型：期刊論文

【摘要】：近年來深度學(xué)習(xí)興起,其在語言模型領(lǐng)域有著不錯(cuò)的成效,如受限玻爾茲曼機(jī)(restricted Boltzmann machine,RBM)語言模型等.不同于N-gram語言模型,這些根植于神經(jīng)網(wǎng)絡(luò)的語言模型可以將詞序列映射到連續(xù)空間來評估下一詞出現(xiàn)的概率,以解決數(shù)據(jù)稀疏的問題.此外,也有學(xué)者使用遞歸神經(jīng)網(wǎng)絡(luò)來建構(gòu)語言模型,期望由遞歸的方式充分利用所有上文信息來預(yù)測下一詞,進(jìn)而有效處理長距離語言約束.根據(jù)遞歸受限玻爾茲曼機(jī)神經(jīng)網(wǎng)絡(luò)(recurrent neural network-restricted Boltzmann machine,RNN-RBM)的基礎(chǔ)來捕捉長距離信息;另外,也探討了根據(jù)語言中語句的特性來動(dòng)態(tài)地調(diào)整語言模型.實(shí)驗(yàn)結(jié)果顯示,使用RNN-RBM語言模型對于大詞匯連續(xù)語音識(shí)別的效能有相當(dāng)程度的提升.
[Abstract]:In recent years, the rise of in-depth learning has a good effect in the field of language modeling, such as restricted Boltzmann machine restricted Boltzmann model, which is different from N-gram language model. These neural network-based language models can map word sequences to a continuous space to evaluate the probability of the next word appearing to solve the problem of sparse data. In addition, some scholars use recurrent neural networks to construct language models. It is expected that all the above information can be used recursively to predict the next term and thus deal with long distance language constraints effectively. The long distance information is captured according to the recurrent neural network-restricted Boltzmann machine RNN-RBM, which is based on the recurrent neural network-restricted Boltzmann machine neural network of recursive constrained Boltzmann machine. This paper also discusses how to dynamically adjust the language model according to the characteristics of sentences in the language. The experimental results show that the effectiveness of using the RNN-RBM language model for the continuous speech recognition of large vocabulary is improved to a considerable extent.
【作者單位】： 湖北科技學(xué)院網(wǎng)絡(luò)管理中心;弗吉尼亞理工大學(xué)信息技術(shù)中心;湖北科技學(xué)院外國語學(xué)院;中南財(cái)經(jīng)政法大學(xué)外國語學(xué)院;
【分類號(hào)】：TN912.34

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉加;漢語大詞匯量連續(xù)語音識(shí)別系統(tǒng)研究進(jìn)展[J];電子學(xué)報(bào);2000年01期

2 張建平;語音識(shí)別與理解的語言統(tǒng)計(jì)模型和搜索算法[J];電子商務(wù);1999年09期

3 申廣忠;;蒙古語語音識(shí)別系統(tǒng)語言模型的設(shè)計(jì)[J];微計(jì)算機(jī)信息;2007年12期

4 吳軍，，王作英;漢語信息熵和語言模型的復(fù)雜度[J];電子學(xué)報(bào);1996年10期

5 田野,李涓子,王作英,陸大金;電話語音識(shí)別系統(tǒng)[J];計(jì)算機(jī)工程與應(yīng)用;2001年13期

6 沈兆勇;顧明亮;;基于符號(hào)化和語言模型方法的漢語方言自動(dòng)辨識(shí)[J];徐州師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年02期

7 孫靜,朱杰,徐向華;漢語語音識(shí)別中的加權(quán)概念轉(zhuǎn)移網(wǎng)絡(luò)語言模型[J];上海交通大學(xué)學(xué)報(bào);2003年10期

8 許永林,史曉東,蔡駿;利用FP-樹構(gòu)造多詞Trigger對語言模型[J];廈門大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年S1期

9 王仕超;;基于HTK的語音識(shí)別的語料搜集與語言模型[J];硅谷;2010年20期

10 汪志鴻;于水源;杜利民;;使用期待提高對話系統(tǒng)的語音識(shí)別率[J];黑龍江大學(xué)自然科學(xué)學(xué)報(bào);2006年01期

相關(guān)會(huì)議論文 前10條

1 陳振標(biāo);徐波;;限定領(lǐng)域的語言模型[A];第七屆全國人機(jī)語音通訊學(xué)術(shù)會(huì)議（NCMMSC7）論文集[C];2003年

2 蘇韜;汪俊杰;孫甲松;王作英;;基于最大似然估計(jì)的語言模型自適應(yīng)[A];第六屆全國人機(jī)語音通訊學(xué)術(shù)會(huì)議論文集[C];2001年

3 張建平;庹凌云;孫寶海;汪俊杰;劉建;顏永紅;;LVCSR系統(tǒng)中語言模型的參數(shù)選擇與性能評測[A];第六屆全國現(xiàn)代語音學(xué)學(xué)術(shù)會(huì)議論文集（下）[C];2003年

4 吳根清;鄭方;金凌;吳文虎;;一種在線遞增式語言模型自適應(yīng)方法[A];第六屆全國人機(jī)語音通訊學(xué)術(shù)會(huì)議論文集[C];2001年

5 吳宗憲;王駿發(fā);;語音辨認(rèn)中階層式以文法為主之馬可夫語言模型[A];第三屆全國人機(jī)語音通訊學(xué)術(shù)會(huì)議論文集[C];1994年

6 林小俊;田浩;王馨浩;杜蘊(yùn)璇;許敏;吳璽宏;遲惠生;;語言模型訓(xùn)練語料處理方法及解碼詞典的設(shè)計(jì)[A];第八屆全國人機(jī)語音通訊學(xué)術(shù)會(huì)議論文集[C];2005年

7 顏龍;劉剛;郭軍;;漢語大詞匯連續(xù)語音識(shí)別系統(tǒng)的研究[A];第七屆全國人機(jī)語音通訊學(xué)術(shù)會(huì)議（NCMMSC7）論文集[C];2003年

8 張家

本文編號(hào)：1633530