一种新的基于瓶颈深度信念网络的特征提取方法及其在语种识别中的应用

发布时间：2018-01-11 17:22

本文关键词：一种新的基于瓶颈深度信念网络的特征提取方法及其在语种识别中的应用　出处：《计算机科学》2014年03期 　论文类型：期刊论文

【摘要】：在语种识别中,传统的MFCC特征由于每帧信号上的信息量不足,很容易受到噪声污染,且抗噪能力较弱。同时,目前普遍使用的SDC特征提取方法在参数选择上需要人为设定,这增加了识别结果的不确定性。针对上述不足,将深度学习方法引入特征提取之中,提出了基于瓶颈深度信念网络的特征提取方法。最后在NIST2007数据库上对瓶颈层的大小、隐层数目以及瓶颈层位置进行了相关的对比实验,结果表明,提出的方法相对于传统的特征提取方法能够取得更高的识别率。
[Abstract]:In language recognition, traditional MFCC features because of the amount of information of each frame signal is insufficient, it is susceptible to noise pollution, and anti noise ability. At the same time, the current widespread use of SDC feature extraction method should be set artificially in parameter selection, which increases the uncertainty of the recognition results. According to the above problems, the depth of learning method into feature extraction, feature extraction was proposed based on belief network bottleneck depth method. Finally, in the NIST2007 database on the bottleneck layer size, hidden layer number and bottleneck layer position were related to the comparative experiment, the results show that the proposed method is compared with the traditional feature extraction method can achieve higher recognition rate.

【作者单位】：电子工程学院;电子制约技术安徽省重点实验室;
【基金】：国家自然科学基金项目(61272333)资助
【分类号】：TN912.34
【正文快照】： 1引言语种识别(Language Identification,LID)是语音识别的一个重要分支,其目的是通过对给定的语音段进行分析处理,识别出所属语言种类。近年来,随着全球一体化进程的不断加快,不同语言间的信息交互日趋频繁,LID在自动转换服务、多语种信息补偿等信息检索领域有着重要的应用

【参考文献】