The invention provides a bidirectional memory depth length based on recurrent neural network (DBLSTM) (RNN) of the acoustic model, DBLSTM network is divided into three parts: in the connection part of the DBLSTM, the use of Maxout neurons instead of Sigmoid neurons to solve gradient disappeared and explosion problems often appear in RNN; at the same time use the Dropout regularized training algorithm avoid nerve overfitting in the training process. In the multilayer BLSTM part, in order to adapt to the mutual dependence of DBLSTM for each time step, the context sensitive block with time back-propagation (CSC BPTT) algorithm to train the network. After the multi layer BLSTM part, a selective link layer is used to transform the output of the DBLSTM to get the input of the full connection part. The invention can obtain higher speech recognition rate.
【技术实现步骤摘要】
一种基于Maxout神经元的深度双向LSTM声学模型
本专利技术属于人工智能语音识别领域,主要涉及深度神经网络在语音声学模型中的应用。
技术介绍
深度神经网络(Deepneuralnetwork,DNN)的研究与应用极大的推动了自动语音识别(Automaticspeechrecognition,ASR)技术的发展。在大词汇量连续语音识别(Largevocabularycontinuousspeechrecognition,LVCSR)系统中,相比于传统的高斯混合模型-隐马尔科夫模型(Gaussianmixturemodels-hiddenmarkovmodels,GMM-HMM)声学模型,基于DNN的声学模型表现出更好的优势。SeideF等人将基于DNN-HMM声学模型用于Switchboard电话转录任务,其字错误率(Worderrorrate,WER)相对下降了33%。DNN-HMM声学模型的研究和扩展给ASR技术带来了前所未有的发展。以前的研究主要集中在用于处理固定长度输入窗的上下文声学特征的前馈神经网络上。然而实际的语音信号具有动态特性,DNN不能很好地表征语音帧之间的长时依赖特性。所以,像循环神经网络(Recurrentneuralnetwork,RNN)这样的更强大的序列信号模型再次引起了研究者的关注。最近,RNN在提高语音识别率上的性能优越性已得到证明,RNN的隐含层中具有循环结构,可捕获到更长的时间动态特性。但是标准的RNN仍然受限于梯度消失和爆炸问题,因此提出长短时记忆(Longshort-termmemory,LSTM)RNN模型,该模 ...
【技术保护点】
一种基于Maxout神经元的深度双向LSTM声学模型,其特征在于,该模型包括:多个双向长短时记忆网络BLSTM层形成的多层DBLSTM深度双向长短时记忆网络、选择连接层、全连接层和隐马尔可夫模型,其中,所述多层DBLSTM深度双向长短时记忆网络用于语音识别的声学模型,所述选择连接层用于对多个双向长短时记忆网络BLSTM层的输出进行加权变换,所述全连接层用于对加权变换后的值进行非线性变换,最终得到隐马尔可夫模型所需的后验概率,所述隐马尔可夫模型用于得到语音识别概率;将语音特征输入多层DBLSTM网络进行非线性变换,得到具有上下文语音帧信息的特征矢量,多层DBLSTM网络采用CSC‑BPTT上下文敏感块的随时间反向传播训练算法进行网络参数训练;多层BLSTM网络输出的数据采用选择连接层对其进行加权变换后再作为全连接层的输入;全连接层对输入数据进行变换,全连接层部分采用Maxout单元代替原来的Sigmoid单元,并且利用Dropout正则化训练算法对其进行参数训练,再通过Softmax输出层得到声学模型中HMM模型所需的后验概率;前端DBLSTM神经网络得到后验概率后,在经过HMM模型最终 ...
【技术特征摘要】
1.一种基于Maxout神经元的深度双向LSTM声学模型,其特征在于,该模型包括:多个双向长短时记忆网络BLSTM层形成的多层DBLSTM深度双向长短时记忆网络、选择连接层、全连接层和隐马尔可夫模型,其中,所述多层DBLSTM深度双向长短时记忆网络用于语音识别的声学模型,所述选择连接层用于对多个双向长短时记忆网络BLSTM层的输出进行加权变换,所述全连接层用于对加权变换后的值进行非线性变换,最终得到隐马尔可夫模型所需的后验概率,所述隐马尔可夫模型用于得到语音识别概率;将语音特征输入多层DBLSTM网络进行非线性变换,得到具有上下文语音帧信息的特征矢量,多层DBLSTM网络采用CSC-BPTT上下文敏感块的随时间反向传播训练算法进行网络参数训练;多层BLSTM网络输出的数据采用选择连接层对其进行加权变换后再作为全连接层的输入;全连接层对输入数据进行变换,全连接层部分采用Maxout单元代替原来的Sigmoid单元,并且利用Dropout正则化训练算法对其进行参数训练,再通过Softmax输出层得到声学模型中HMM模型所需的后验概率;前端DBLSTM神经网络得到后验概率后,在经过HMM模型最终输出得到声学模型得分。2.根据权利要求1所述的基于Maxout神经元的深度双向LSTM声学模型,其特征在于,所述DBLSTM网络通过两个单独的隐含层同时处理两个方向的信息,然后前馈到同一个输出层,DBLSTM网络中含有两个LSTM层,一层从前到后迭代计算前向隐含层向量另一层从后向前迭代计算后向隐含层向量然后,更新输出序列y=(y1,y2,...,yt,...,yT),该网络的迭代过程如下:by表示输出层的偏置向量,yt表示输出值,H表示输出层的激活函数,表示LSTM中的权值矩阵,表示前向隐含层的偏置向量,表示后向隐含层的偏置向量。3.根据权利要求2所述的基于Maxout神经元的深度双向LSTM声学模型,其特征在于,所述DBLSTM深度双向长短时记忆递归神经网络计算方法为:首先,对于标准的RNN,给定一个输入序列x=(x1,x2,...,xT),通过t=1到T迭代计算出RNN隐含层的状态向量h=(h1,h2,...,hT)和输出向量y=(y1,y2,...,yT),即ht=H(Wxhxt+Whhht-1+bh)yt=Whyht+by其中,W代表各层间的权值矩阵;bh和by分别为隐含层和输出层的偏置向量;H为输出层的激活函数,Wxh表示输如层和隐含层之间的权值矩阵,Whh表示隐含层与隐含层之间的权值矩阵,Why表示隐含层和输入层之间的权值矩阵;LSTM单元中,激活函数H通过下列公式实现:it=σ(Wxixt+Whiht-1+Wcict-1+bi)ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)ct...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。