信号处理
信號處理
신호처리
Journal of Signal Processing
2015年
9期
1152-1158
,共7页
洪新海%宋彦%蒋兵%戴礼荣
洪新海%宋彥%蔣兵%戴禮榮
홍신해%송언%장병%대례영
语种识别%深度神经网络%因子分析
語種識彆%深度神經網絡%因子分析
어충식별%심도신경망락%인자분석
language identification%deep neural network%factor analysis
近年来基于深度神经网络(Deep Neural Network,DNN)的全差异空间建模方法(Total Variability,TV)在语种识别领域得到了广泛研究.本文提出了一种基于DNN的改进TV方法,既利用了DNN对数据的音素状态对齐效果,又充分考虑了语种任务的相关性.该方法首先利用带有瓶颈层的深层神经网络(Deep Bottleneck Net-work,DBN)对语种数据特征按照音素状态进行聚类,得到语种任务相关通用背景模型(Universal Background Mod-el,UBM),然后利用该UBM模型并结合深度瓶颈特征(Deep Bottleneck Feature,DBF)进行TV建模.实验表明,与经典的TV方法相比,该方法能够显著的提升系统性能和效率,并且融合后性能得到了进一步提升.
近年來基于深度神經網絡(Deep Neural Network,DNN)的全差異空間建模方法(Total Variability,TV)在語種識彆領域得到瞭廣汎研究.本文提齣瞭一種基于DNN的改進TV方法,既利用瞭DNN對數據的音素狀態對齊效果,又充分攷慮瞭語種任務的相關性.該方法首先利用帶有瓶頸層的深層神經網絡(Deep Bottleneck Net-work,DBN)對語種數據特徵按照音素狀態進行聚類,得到語種任務相關通用揹景模型(Universal Background Mod-el,UBM),然後利用該UBM模型併結閤深度瓶頸特徵(Deep Bottleneck Feature,DBF)進行TV建模.實驗錶明,與經典的TV方法相比,該方法能夠顯著的提升繫統性能和效率,併且融閤後性能得到瞭進一步提升.
근년래기우심도신경망락(Deep Neural Network,DNN)적전차이공간건모방법(Total Variability,TV)재어충식별영역득도료엄범연구.본문제출료일충기우DNN적개진TV방법,기이용료DNN대수거적음소상태대제효과,우충분고필료어충임무적상관성.해방법수선이용대유병경층적심층신경망락(Deep Bottleneck Net-work,DBN)대어충수거특정안조음소상태진행취류,득도어충임무상관통용배경모형(Universal Background Mod-el,UBM),연후이용해UBM모형병결합심도병경특정(Deep Bottleneck Feature,DBF)진행TV건모.실험표명,여경전적TV방법상비,해방법능구현저적제승계통성능화효솔,병차융합후성능득도료진일보제승.