区分性训练和区分性自适应在自动语音识别声学模型优化中应用.pdfVIP

摘 要 摘要 随着基于统计模型的模式分类理论不断发展完善，自动语音识别技术近年 来取得了长足的进步。区分性训练已经成为自动语音识别中声学模型训练和参 数优化的标配方法之一。除了被用作声学模型参数更新优化的指导准则，还可 将其与传统的线性回归、最大后验概率等自适应方法相结合，扩展为区分性自 适应方法；另外特征端的区分性线性变换方法也已被提出并在一些实际的声音 转写系统上得到了应用。本文将围绕以上内容进行讨论。 首先，本文第一章会对自动语音识别技术发展历程做一概括总结。接下来 在第二章中将对传统的最大似然准则、各区分性训练准则用于声学模型参数i)iI 练优化更新的方法进行说明和比较，并给出它们在中英文多个数据库多种任务 上的性能对比，在各测试任务上至少相对15％以上的最优性能提升结果进一步 验证了区分性训练准则对声学模型参数优化显著的有效性。 其次，本文第三章在对传统自适应方法做一简要回顾的基础上，将详细讨论 区分性训练准则与传统自适应方法相结合的区分性线性回归(DT-LR)及区分性 最大后验概率(DT-MAP)的推导和实现，提出了全新的基于MWCE准则的区分性 学模型自适应优化。同时还分别给出它们在大词汇量中文