卷积神经网络资料.pptVIP

* * DR 表示预测出来的基音值否预测得准确 VDE 表示浊音与非浊音是否识别得准确 * * * * * ACF过程 三、CNN-ACF-DP基音检测方法 * K=32,33….200 CNN与ACF融合 我们将CNN的预测结果以乘积的形式附加到ACF特征中。 将CNN末层神经元的输出乘以ACF特征中对应的维度并作为对应维度的新值。 得到CNN-ACF的167+1=168维特征。 三、CNN-ACF-DP基音检测方法 * 动态规划 在每一帧的167个状态中，我们挑选出3个概率最高的峰值作为该帧基频的候选项。最后我们利用动态规划对连续语音计算出收益最大路径作为最终的基音序列。 动态规划的收益定义为： 三、CNN-ACF-DP基音检测方法 * 最大受益的路径： 模型效果 ACF 三、CNN-ACF-DP基音检测方法 * ACF+CNN ACF+CNN+DP 对比实验 实验数据：Chinese National Hi-Tech Project 863 NOISEX-92 训练数据: (male 50 + female 50)*6 noises 0db 对比试验：三种语音 三种方法 三种方法：1. Jin (2011) 2. PEFAC (201