基于循環(huán)神經網絡的語音識別方案的優(yōu)化與設計.pdf

1、語音識別是人工智能的重要分支和一項重要的人機交互技術，被廣泛的應用到各種生活場景中。當前的語音識別系統(tǒng)在純凈無噪的環(huán)境下的準確率已經超過了人的聽覺，然而，真實應用場景中的復雜的環(huán)境因素對語音識別系統(tǒng)的準確度帶來的影響，以及在開發(fā)階段訓練語音識別模型所消耗的時間成本與計算成本，成為阻礙語音識別發(fā)展的難題，因此，快速訓練語音識別模型的同時提高識別率是語音識別的重要研究課題。
　　本文主要研究如何在加快神經網絡訓練速度與解碼速度的前提下

2、提高語音識別模型的準確率。神經網絡的黑盒性與不可解釋性是改進神經網絡結構的主要難題，本文使用可視化的方式，對神經網絡的內部結構進行研究，基于可視化的結果分析了導致網絡精度低與訓練速度慢的主要原因。
　　本文的研究工作主要由以下三個部分組成:第一部分，提出了一種基于跨層值傳遞的深度神經網絡。深度神經網絡的層數和參數的增加，可以有效的抑制過擬合的現象，而層數過深導致的直接問題是:信息在傳遞的過程中的損失。本文通過深度神經網絡隱藏層的研

3、究，提出了一種基于跨層值傳遞的神經網絡，經驗證該方法可以有效的防止信息在傳遞過程中的損失，提升神經網絡的精度。第二部分，提出了一種二值化與線性表示結合的方法加速循環(huán)神經網絡的訓練與解碼。循環(huán)神經網絡內部復雜的結構是導致神經網絡訓練與解碼速度慢的直接因素，本文基于對循環(huán)神經網絡中的門的研究，提出了二值化與線性表示相結合的訓練方法，經驗證該方法可以做到在只損失少量精度的前提下加速神經網絡的訓練與解碼。第三部分，將以上兩種方式結合，提出了基于