區(qū)分性訓(xùn)練和區(qū)分性自適應(yīng)在自動(dòng)語音識(shí)別聲學(xué)模型優(yōu)化中的應(yīng)用.pdf

1、隨著基于統(tǒng)計(jì)模型的模式分類理論不斷發(fā)展完善，自動(dòng)語音識(shí)別技術(shù)近年來取得了長(zhǎng)足的進(jìn)步。區(qū)分性訓(xùn)練已經(jīng)成為自動(dòng)語音識(shí)別中聲學(xué)模型訓(xùn)練和參數(shù)優(yōu)化的標(biāo)配方法之一。除了被用作聲學(xué)模型參數(shù)更新優(yōu)化的指導(dǎo)準(zhǔn)則，還可將其與傳統(tǒng)的線性回歸、最大后驗(yàn)概率等自適應(yīng)方法相結(jié)合，擴(kuò)展為區(qū)分性自適應(yīng)方法；另外特征端的區(qū)分性線性變換方法也已被提出并在一些實(shí)際的聲音轉(zhuǎn)寫系統(tǒng)上得到了應(yīng)用。本文將圍繞以上內(nèi)容進(jìn)行討論。 首先，本文第一章會(huì)對(duì)自動(dòng)語音識(shí)別技術(shù)發(fā)展歷程

2、做一概括總結(jié)。接下來在第二章中將對(duì)傳統(tǒng)的最大似然準(zhǔn)則、各區(qū)分性訓(xùn)練準(zhǔn)則用于聲學(xué)模型參數(shù)訓(xùn)練優(yōu)化更新的方法進(jìn)行說明和比較，并給出它們?cè)谥杏⑽亩鄠€(gè)數(shù)據(jù)庫多種任務(wù)上的性能對(duì)比，在各測(cè)試任務(wù)上至少相對(duì)15％以上的最優(yōu)性能提升結(jié)果進(jìn)一步驗(yàn)證了區(qū)分性訓(xùn)練準(zhǔn)則對(duì)聲學(xué)模型參數(shù)優(yōu)化顯著的有效性。 其次，本文第三章在對(duì)傳統(tǒng)自適應(yīng)方法做一簡(jiǎn)要回顧的基礎(chǔ)上，將詳細(xì)討論區(qū)分性訓(xùn)練準(zhǔn)則與傳統(tǒng)自適應(yīng)方法相結(jié)合的區(qū)分性線性回歸(DT-LR)及區(qū)分性最大后驗(yàn)概率

3、(DT-MAP)的推導(dǎo)和實(shí)現(xiàn)，提出了全新的基于MWCE準(zhǔn)則的區(qū)分性自適應(yīng)方法(MWCE-LR和MWCE-MAP)，并首次將DT-LR和DT-MAP組合用于聲學(xué)模型自適應(yīng)優(yōu)化。同時(shí)還分別給出它們?cè)诖笤~匯量中文連續(xù)語音識(shí)別任務(wù)和英文單詞拼寫識(shí)別任務(wù)集上的測(cè)試性能對(duì)比。從中可以看到相比于基于最大似然準(zhǔn)則的自適應(yīng)，區(qū)分性自適應(yīng)方法可以獲得進(jìn)一步的識(shí)別性能改善，這也為使用自適應(yīng)方法調(diào)整模型參數(shù)提供了一種全新的有效選擇。 最后，本文詳細(xì)討論