基于卷積神經(jīng)網(wǎng)絡(luò)模型下的語(yǔ)音處理方法研究.pdf

1、深度學(xué)習(xí)(Deep Learning)是一種基于人工神經(jīng)網(wǎng)絡(luò)的無(wú)監(jiān)督學(xué)習(xí)方法，是近年來(lái)興起的一種新型混合機(jī)器學(xué)習(xí)模型，在最近幾年，基于深度學(xué)習(xí)的一些模型被逐漸應(yīng)用到語(yǔ)音識(shí)別領(lǐng)域，并取得一些驚人的成果。另外，深層的網(wǎng)絡(luò)模型訓(xùn)練需要大量的計(jì)算資源，POWER8架構(gòu)高性能處理平臺(tái)為大數(shù)據(jù)時(shí)代的海量數(shù)據(jù)處理提供強(qiáng)力的支撐，尤其是它搭載了強(qiáng)勁浮點(diǎn)運(yùn)算單元以及多線程并行技術(shù)，這非常符合神經(jīng)網(wǎng)絡(luò)模型處理語(yǔ)音和圖像數(shù)據(jù)的計(jì)算需求。本文基于POWER8架

2、構(gòu)運(yùn)算平臺(tái)，利用深度卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)語(yǔ)音特征數(shù)據(jù)進(jìn)行處理，并通過(guò)實(shí)驗(yàn)證明該方法可以達(dá)到較好的語(yǔ)音識(shí)別效果。
　　本文依托POWER8架構(gòu)高性能處理平臺(tái)，將卷積神經(jīng)網(wǎng)絡(luò)模型（CNN）替換傳統(tǒng)的語(yǔ)音模型，即高斯混合模型。為了將卷積神經(jīng)網(wǎng)絡(luò)模型高效的應(yīng)用于語(yǔ)音模型的建模工作，本文將從以下兩個(gè)方面對(duì)CNN模型進(jìn)行優(yōu)化:
　　(1)針對(duì)現(xiàn)有CNN模型中池化算法忽視語(yǔ)音數(shù)據(jù)的局部相關(guān)特性，從而造成對(duì)關(guān)鍵語(yǔ)音特征提取效率不高的問(wèn)題，提出

3、一種基于POWER架構(gòu)的動(dòng)態(tài)自適應(yīng)池化算法(DA-Pooling)，在CNN模型的池化層中應(yīng)用DA-Pooling算法替換原有池化算法，該算法提取局部相鄰語(yǔ)音特征數(shù)據(jù)，通過(guò)計(jì)算Spearman相關(guān)系數(shù)來(lái)確定數(shù)據(jù)之間的相關(guān)程度;再按照一定的權(quán)重對(duì)不同相關(guān)性的語(yǔ)音數(shù)據(jù)動(dòng)態(tài)分配最優(yōu)的池化策略，該方法提高了池化層對(duì)不同相關(guān)性數(shù)據(jù)的適應(yīng)能力。
　　(2)為解決現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)在處理語(yǔ)音數(shù)據(jù)集時(shí)泛化能力不高，以及由于傳統(tǒng)的Dropout算法所