【技术实现步骤摘要】
一种序列数据识别的方法和装置
本专利技术涉及计算机
，尤其涉及一种序列数据识别的方法和装置。
技术介绍
序列数据识别是机器学习和人工智能领域的重要考虑因素，例如语音识别技术，目前已广泛应用于手机、手表、智能家居等设备的智能交互。随着深度学习技术的发展，深度神经网络以其强大的拟合和泛化能力，逐步成为机器学习的首选。seq2seq(sequencetosequencemodel，序列到序列模型)，是一类端到端(endtoend)模型，在序列数据识别中取得了很大的成功。相比传统方法，端到端模型无需提取大量特征并进行数据处理，例如在语音识别中，端到端模型输入的是原始音频序列或者初级的频域特征(MFCC倒谱系数)，输出的是语音对应的文本序列。这类模型结构清晰、易于使用和调试，而且在大数据的辅助下能够接近甚至超过人的性能。在实现本专利技术的过程中，专利技术人发现现有模型至少存在如下问题：1)模型内部参数过多：对于输入的数据到输出语义符号之间的复杂数据，需依赖模型进行拟合关联，因此所需参数数量众多，常达千万个...
【技术保护点】
1.一种序列数据识别方法，其特征在于，包括：/n通过预定序列切分方式，对语音序列进行序列切分，得到多个语音子序列；/n输入所述多个语音子序列至识别模型中，得到与各语音子序列相应的元素；/n在与各语音子序列相应的元素数量均为一个的情况下，根据各语音子序列所处时序，按序排列所得到的元素，以生成与所述语音序列相应的文本序列。/n
【技术特征摘要】
1.一种序列数据识别方法，其特征在于，包括：
通过预定序列切分方式，对语音序列进行序列切分，得到多个语音子序列；
输入所述多个语音子序列至识别模型中，得到与各语音子序列相应的元素；
在与各语音子序列相应的元素数量均为一个的情况下，根据各语音子序列所处时序，按序排列所得到的元素，以生成与所述语音序列相应的文本序列。
2.根据权利要求1所述的方法，其特征在于，所述通过预定序列切分方式，对语音序列进行序列切分，得到多个语音子序列，包括：
分析所述语音序列的时长，结合预定语音子序列数量，确定序列划分间隔；
根据所述序列划分间隔对所述语音序列进行间隔划分，以及对间隔划分后的语音序列进行序列切分，得到多个语音子序列。
3.根据权利要求1所述的方法，其特征在于，在所述通过预定序列切分方式，对语音序列进行序列切分之前，还包括：
输入所述语音序列至所述识别模型中，得到与所述语音序列相应的元素，生成元素集合；
所述得到与各语音子序列相应的元素，还包括：
生成与各语音子序列相应的第一元素集合，剔除所述第一元素集合中不存在于所述元素集合中的元素。
4.根据权利要求3所述的方法，其特征在于，在生成与所述语音序列相应的文本序列之前，还包括：
根据所述元素集合和所述第一元素集合，确定丢失元素；其中，所述丢失元素位于所述第一元素集合之间；
若所述丢失元素的数量大于一个，则根据预定语料库对所述丢失元素进行组合，得到组合元素；
统计各组合元素的出现次数，按照出现次数从高到低的顺序对所得到的组合元素进行排序，以生成丢失文本序列；
所述得到与所述语音序列相应的文本序列，包括：
根据排序后的元素，结合所述丢失文本序列，生成与所述语音序列相应的文本序列。
5.根据权利要求1所述的方法，其特征在于，在所述得到与各语音子序列相应的元素之后，还包括：
若与任意一个语音子序列相应的元素数量大于一个，则通过所述预定序列切分方式，对所述任意一个语音子序列进行序列切分，得到多个第一语音子序列；
输入所述多个第一语音子序列至所述识别模型中，得到与各第一语音子序列相应的元素；
若与任意一个第一语音子序列相应的元素数量大于一个，则重复上述序列切分和元素识别步骤，直到所得元素的数量均小于等于一个为止。
6.一种序列数据识别装置，其特征在于，包括：
序列切分模块，用于通过预定序列切分方式，对语音序列进行序列切...
【专利技术属性】
技术研发人员：王虎，杜强，司润泽，穆玉芝，
申请(专利权)人：京东数字科技控股有限公司，
类型：发明
国别省市：北京;11
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。