隨著各種信息獲取手段的不斷進(jìn)步,獲取到的信息變得更多、更容易也更多冗余,語(yǔ)音信息也是如此。隨著越來(lái)越多的多語(yǔ)種語(yǔ)音環(huán)境的出現(xiàn),對(duì)語(yǔ)音信息中非目標(biāo)語(yǔ)種的所有冗余信息的剔除變得愈加關(guān)鍵,針對(duì)語(yǔ)音的語(yǔ)種識(shí)別需求也越來(lái)越大。為了填補(bǔ)目前國(guó)內(nèi)針對(duì)俄語(yǔ)的語(yǔ)種識(shí)別研究的空白,本文將結(jié)合深度學(xué)習(xí)方法,針對(duì)俄語(yǔ)軍事語(yǔ)音進(jìn)行語(yǔ)種識(shí)別研究。本文通過(guò)研究俄語(yǔ)發(fā)音特點(diǎn),發(fā)現(xiàn)語(yǔ)音頻譜圖包含語(yǔ)種鑒別特征,并通過(guò)對(duì)比實(shí)驗(yàn)證明了頻譜圖特征在軍事領(lǐng)域針對(duì)俄語(yǔ)語(yǔ)音的識(shí)別效果良好。本文采用交叉驗(yàn)證的方法劃分?jǐn)?shù)據(jù)集,進(jìn)行了兩次對(duì)比實(shí)驗(yàn):首先是通過(guò)對(duì)比實(shí)驗(yàn)來(lái)探究不同語(yǔ)種識(shí)別特征和分類模型的識(shí)別性能。在此過(guò)程中,研究了音素序列特征提取、頻譜特征提取、高斯建模特征提取三種特征提取方法,具體分析了使用高斯建模特征提取方法獲取的基于因子分析的全空間建模辨識(shí)向量ivector特征;還研究了深度學(xué)習(xí)方法中能夠捕捉圖像特征的卷積神經(jīng)網(wǎng)絡(luò),對(duì)比了傳統(tǒng)語(yǔ)種識(shí)別方法與基于CNN的深度學(xué)習(xí)語(yǔ)種識(shí)別方法在漢、越、俄、西、日五種語(yǔ)言上的性能差異。其次是通過(guò)混合構(gòu)成俄語(yǔ)軍事語(yǔ)音語(yǔ)料,訓(xùn)練針對(duì)俄語(yǔ)軍事語(yǔ)音的語(yǔ)種識(shí)別模型來(lái)比較ivector特征和頻譜圖特征,在...

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 引言
    1.1 研究背景
    1.2 研究意義
        1.2.1 俄語(yǔ)軍事語(yǔ)音研究
        1.2.2 語(yǔ)種識(shí)別方法對(duì)比研究
        1.2.3 基于深度學(xué)習(xí)的語(yǔ)種識(shí)別原型系統(tǒng)
    1.3 研究關(guān)鍵問(wèn)題
        1.3.1 語(yǔ)種識(shí)別特征的選取
        1.3.2 深度學(xué)習(xí)與語(yǔ)種識(shí)別方法的結(jié)合
    1.4 論文的主要內(nèi)容及組織結(jié)構(gòu)
第二章 特征提取方法
    2.1 音素序列方法
        2.1.1 基于PRLM的語(yǔ)種識(shí)別
        2.1.2 基于WPLLR的語(yǔ)種識(shí)別
    2.2 頻譜特征的提取方法
        2.2.1 梅爾頻率倒譜系數(shù)特征
        2.2.2 移位差分倒譜特征
    2.3 高斯建模特征
        2.3.1 高斯混合模型特征
        2.3.2 GMM-MLLR特征
        2.3.3 辨識(shí)向量ivector特征
    2.4 本章小結(jié)
第三章 深度學(xué)習(xí)方法
    3.1 神經(jīng)網(wǎng)絡(luò)
    3.2 深度學(xué)習(xí)
    3.3 卷積神經(jīng)網(wǎng)絡(luò)
        3.3.1 神經(jīng)感知機(jī)的發(fā)展
        3.3.2 圖像特征捕捉器
        3.3.3 CNN的實(shí)際應(yīng)用
    3.4 本章小結(jié)
第四章 語(yǔ)種識(shí)別方法對(duì)比研究
    4.1 實(shí)驗(yàn)準(zhǔn)備
        4.1.1 實(shí)驗(yàn)環(huán)境
        4.1.2 實(shí)驗(yàn)語(yǔ)料
        4.1.3 實(shí)驗(yàn)設(shè)置
    4.2 傳統(tǒng)語(yǔ)種識(shí)別方法
        4.2.1 基于MFCC-SVM的語(yǔ)種識(shí)別
        4.2.2 基于SDC-SVM的語(yǔ)種識(shí)別
        4.2.3 基于ivector-SVM的語(yǔ)種識(shí)別
    4.3 深度學(xué)習(xí)語(yǔ)種識(shí)別方法
        4.3.1 基于MFCC-CNN的語(yǔ)種識(shí)別
        4.3.2 基于ivector-CNN的語(yǔ)種識(shí)別
        4.3.3 基于語(yǔ)音頻譜特征的CNN語(yǔ)種識(shí)別
    4.4 實(shí)驗(yàn)過(guò)程
        4.4.1 特征數(shù)據(jù)準(zhǔn)備
        4.4.2 語(yǔ)種識(shí)別模型訓(xùn)練
        4.4.3 測(cè)試打分模塊
    4.5 實(shí)驗(yàn)結(jié)果
        4.5.1 結(jié)果數(shù)據(jù)
        4.5.2 結(jié)果分析
        4.5.3 實(shí)驗(yàn)小結(jié)
第五章 俄語(yǔ)軍事語(yǔ)音語(yǔ)種識(shí)別原型系統(tǒng)
    5.1 俄語(yǔ)軍事語(yǔ)音的特點(diǎn)
    5.2針對(duì)俄語(yǔ)軍事語(yǔ)音的對(duì)比實(shí)驗(yàn)
        5.2.1 實(shí)驗(yàn)設(shè)置
        5.2.2 實(shí)驗(yàn)過(guò)程
        5.2.3 實(shí)驗(yàn)結(jié)果
    5.3 構(gòu)建原型系統(tǒng)
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 主要工作
    6.2 研究展望
致謝
參考文獻(xiàn)
作者簡(jiǎn)歷



本文編號(hào)：3857219