17、语音识别中的混合模型与分层神经网络应用

语音识别中的混合模型与分层神经网络应用

1. 分层神经网络的单词识别

在语音识别领域，有一种创新的方法是将频谱图视为图像，并运用分层目标识别系统。该系统在不同条件下展现出了独特的性能。

1.1 线性时间缩放与动态时间规整的性能对比

当采用简单的线性时间缩放时，该系统仅在嘈杂环境中优于Sphinx - 4，而在干净数据上表现较差。例如，在干净数据下，Sphinx的单词错误率（WER）为3.1%，未使用动态时间规整（DTW）时该系统的WER为5.4%。

当使用动态时间规整（DTW）对信号进行适当缩放时，在所有情况下，该系统都能提升预处理后的良好性能，即使在干净信号下也优于Sphinx - 4。使用DTW时，该系统在干净数据上的WER可达到0.9%。

1.2 系统优势与未来研究方向

此系统架构及其底层特征比常用的梅尔频率倒谱系数（MFCCs）对噪声更具鲁棒性。在实际场景中，通常存在显著的背景噪声和录音条件的变化，这种抗噪能力非常重要。

通过线性缩放和DTW的比较可知，更好的时间对齐能够显著提高模型性能。因此，改进时间对齐的方法是未来值得研究的方向。

目前识别任务的复杂度较低，该系统能否扩展到更复杂的任务仍是一个待解决的问题。不过，可以预期该系统能较好地适应更大的词汇量。为了处理连续语音，需要进行音节分割。可以在识别前实现一个音节分割系统，或者将该架构用作隐马尔可夫模型（HMM）的前端。

2. 自动语音识别的混合模型

2.1 背景与问题提出

自动语音识别（ASR）中，隐马尔可夫模型（HMM）是最常用的核心技术，但经