隨著當(dāng)代人工智能研究的蓬勃發(fā)展,自動(dòng)語(yǔ)音識(shí)別及其相關(guān)技術(shù)的應(yīng)用也越來(lái)越廣泛。語(yǔ)種識(shí)別作為自動(dòng)語(yǔ)音識(shí)別技術(shù)的重要組成部分,在包括自動(dòng)語(yǔ)音轉(zhuǎn)接等多個(gè)領(lǐng)域都有著重要的作用。近年來(lái),關(guān)于語(yǔ)種識(shí)別技術(shù)的研究成果層出不窮,性能相比于上世紀(jì)已經(jīng)取得了顯著的提升,然而其目前仍面臨著高層語(yǔ)義信息利用較少、短時(shí)語(yǔ)音處理效果差、易受不同數(shù)據(jù)集間差異影響等問(wèn)題。隨著語(yǔ)種識(shí)別技術(shù)重要性的日益凸顯,該領(lǐng)域急需研究更為合適的處理方法。為了提升語(yǔ)種識(shí)別模型的性能,本文將對(duì)基于時(shí)序信息的長(zhǎng)短時(shí)網(wǎng)絡(luò)與高層語(yǔ)義嵌入向量的語(yǔ)種識(shí)別方法進(jìn)行深入探索。在基于時(shí)序信息的長(zhǎng)短時(shí)神經(jīng)網(wǎng)絡(luò)的識(shí)別方法中,首先闡述了這類(lèi)網(wǎng)絡(luò)對(duì)語(yǔ)種時(shí)序性信息的提取能力和對(duì)語(yǔ)種高層語(yǔ)義信息的概括能力,進(jìn)而通過(guò)結(jié)合如瓶頸層特征等包含語(yǔ)音段高層語(yǔ)義信息的特征表達(dá)來(lái)構(gòu)建新的網(wǎng)絡(luò)結(jié)構(gòu),并以所提取出的反映高層語(yǔ)義信息的嵌入向量代替?zhèn)鹘y(tǒng)語(yǔ)種識(shí)別模型中的語(yǔ)種身份向量來(lái)構(gòu)建新的語(yǔ)種識(shí)別模型,以提升語(yǔ)種識(shí)別的性能。實(shí)驗(yàn)表明,上述兩種模型的性能與使用余弦距離分類(lèi)的i-vector基線系統(tǒng)相比分別有30.07%和20.60%的提高。為了解決語(yǔ)種識(shí)別過(guò)程中遇到的數(shù)據(jù)不匹配問(wèn)題,本文提... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 國(guó)內(nèi)外在該方向的研究現(xiàn)狀及分析
        1.2.1 基于GMM-UBM的語(yǔ)種識(shí)別研究現(xiàn)狀
        1.2.2 基于深度學(xué)習(xí)的語(yǔ)種識(shí)別研究現(xiàn)狀
        1.2.3 國(guó)內(nèi)外文獻(xiàn)綜述簡(jiǎn)析
    1.3 本文的主要研究?jī)?nèi)容
    1.4 本文組織結(jié)構(gòu)
第2章 基于i-vector的語(yǔ)種識(shí)別基線系統(tǒng)
    2.1 引言
    2.2 特征提取
        2.2.1 梅爾頻率倒譜系數(shù)特征
        2.2.2 感知線性預(yù)測(cè)特征
        2.2.3 語(yǔ)種識(shí)別中GMM模型的構(gòu)建
        2.2.4 i-vector的提取
    2.3 基于i-vector的語(yǔ)種識(shí)別分類(lèi)模型
        2.3.1 余弦距離打分模型
        2.3.2 支持向量機(jī)分類(lèi)模型
        2.3.3 概率線性判別分析打分模型
    2.4 實(shí)驗(yàn)及結(jié)果分析
        2.4.1 實(shí)驗(yàn)數(shù)據(jù)
        2.4.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)
        2.4.3 實(shí)驗(yàn)參數(shù)設(shè)置
        2.4.4 實(shí)驗(yàn)結(jié)果及分析
    2.5 本章小結(jié)
第3章 基于時(shí)序信息網(wǎng)絡(luò)結(jié)構(gòu)與高層語(yǔ)義嵌入向量的語(yǔ)種識(shí)別
    3.1 引言
    3.2 瓶頸層特征
    3.3 基于長(zhǎng)短時(shí)神經(jīng)網(wǎng)絡(luò)高層嵌入特征提取的語(yǔ)種識(shí)別
        3.3.1 基于瓶頸層特征的長(zhǎng)短時(shí)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 網(wǎng)絡(luò)參數(shù)及訓(xùn)練過(guò)程
        3.3.3 基于高層嵌入特征提取的語(yǔ)種識(shí)別
    3.4 實(shí)驗(yàn)及結(jié)果分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)及超參數(shù)設(shè)置
        3.4.2 實(shí)驗(yàn)結(jié)果及分析
    3.5 本章小結(jié)
第4章 語(yǔ)種識(shí)別中訓(xùn)練集和測(cè)試集間不匹配的補(bǔ)償方法
    4.1 引言
    4.2 基于FHVS的數(shù)據(jù)集間不匹配的補(bǔ)償方法
        4.2.1 基于FHVS數(shù)據(jù)集間不匹配影響分析
        4.2.2 基于FHVS改進(jìn)LSTM網(wǎng)絡(luò)的不匹配補(bǔ)償
        4.2.3 基于FHVS改進(jìn)LSTM網(wǎng)絡(luò)的訓(xùn)練及參數(shù)估計(jì)
    4.3 實(shí)驗(yàn)及結(jié)果分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)及超參數(shù)設(shè)置
        4.3.2 實(shí)驗(yàn)結(jié)果對(duì)比及分析
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的語(yǔ)種識(shí)別[J]. 崔瑞蓮,宋彥,蔣兵,戴禮榮.  模式識(shí)別與人工智能. 2015(12)



本文編號(hào)：3180893