改進的GRBM在語音識別中的應(yīng)用研究.pdf

1、語音識別技術(shù)是當(dāng)今人工智能研究的重點方向之一，各種語音識別算法和相關(guān)模型不斷涌現(xiàn)，如隱馬爾科夫模型（HMM）、動態(tài)時間規(guī)整（DTW）等。隨著科技的發(fā)展，語音識別系統(tǒng)被廣泛的應(yīng)用在實際生活的各個領(lǐng)域中，例如移動終端、智能家居和安保系統(tǒng)等等。
　　深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)是近年來機器學(xué)習(xí)的熱點，將深度學(xué)習(xí)模型以及基于該模型的各種改進算法應(yīng)用在語音識別系統(tǒng)上是當(dāng)今研究的重點方向之一，本文的主要內(nèi)容是基于改進的高斯受限玻爾茲曼機在語音識別中的應(yīng)用

2、研究。論文在分析了受限玻爾茲曼機和高斯受限玻爾茲曼機（GRBM）的理論算法、模型訓(xùn)練方法以及模型的優(yōu)勢特點的基礎(chǔ)上，從兩個方面對GRBM做出改進：首先，改進GRBM模型的采樣算法。結(jié)合并行回火（PT）的采樣算法和實現(xiàn)原理，將并行回火的采樣方法應(yīng)用在GRBM訓(xùn)練模型中，提出基于并行回火改進的GRBM模型。其次，改進GRBM訓(xùn)練模型參數(shù)的算法。通過指數(shù)平均數(shù)指標(biāo)（EMA）來改進傳統(tǒng)的對比散度（CD）的訓(xùn)練算法，該算法將已經(jīng)訓(xùn)練好的權(quán)值與當(dāng)前

3、模型訓(xùn)練的權(quán)值相結(jié)合，即GRBM模型參數(shù)的更新需要考慮當(dāng)前獲得模型參數(shù)以及過去所有的已訓(xùn)練好的模型參數(shù)集。論文的后半部分著重闡述了改進的GRBM神經(jīng)網(wǎng)絡(luò)算法在數(shù)字語音識別系統(tǒng)上的應(yīng)用實現(xiàn)。系統(tǒng)實現(xiàn)平臺分為 MATLAB平臺和嵌入式ARM9平臺兩個部分：在MATLAB平臺上，通過將改進的GRBM算法模型結(jié)合支持向量機（SVM）分類器進行仿真測試，根據(jù)準(zhǔn)確率和收斂曲線分析實驗結(jié)論；在嵌入式ARM9平臺，將改進的GRBM算法模型結(jié)合邏輯回歸（