卷積神經(jīng)網(wǎng)絡(luò)研究及其在基音檢測中的應(yīng)用.pdf

1、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)是一種源于人工神經(jīng)網(wǎng)絡(luò)(Neural Network，NN)的深度機器學(xué)習(xí)方法，近年來在圖像識別領(lǐng)域取得了巨大的成功。CNN由于采用局部連接和權(quán)值共享，保持了網(wǎng)絡(luò)的深層結(jié)構(gòu)，同時又大大減少了網(wǎng)絡(luò)參數(shù)，使模型具有良好的泛化能力又較容易訓(xùn)練。NN的訓(xùn)練算法是基于梯度下降的錯誤信號反向傳播(Back Propagate，BP)算法，CNN的訓(xùn)練算法是BP算法的一種

2、變形。本文從梯度下降的數(shù)學(xué)推導(dǎo)中總結(jié)了NN訓(xùn)練過程中的錯誤信號傳播和權(quán)重修改策略，用切割小圖訓(xùn)練共權(quán)神經(jīng)網(wǎng)絡(luò)的方式解釋了CNN中的卷積過程，并以特殊卷積的方式解釋了CNN的子采樣過程，最后將NN的錯誤信號傳播和權(quán)重修改策略移植到CNN的訓(xùn)練中。我們將推導(dǎo)出的CNN訓(xùn)練方法用C++編碼實現(xiàn)，用CNN應(yīng)用最早最典型的手寫數(shù)字識別問題驗證被編碼的推導(dǎo)過程，得到了正確的效果。
　　語音是人類生產(chǎn)生活中使用最為廣泛的一種交流媒介，隨著信息技

3、術(shù)及移動互聯(lián)網(wǎng)的發(fā)展與普及，語音被廣泛用于智能人機交互領(lǐng)域?；纛l率是語音信號處理技術(shù)中一個非常重要的語音參數(shù)。現(xiàn)實生活中，人們往往是在有噪聲環(huán)境下進行語音交流，常用的基音提取方法在低信噪比環(huán)境下效果很差。
　　本文深入分析了神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)，并將其和傳統(tǒng)基音檢測方法結(jié)合，得到CNN ACF DP基音檢測方法。該方法用ACF對語音文件算出一組基音判決信息，再用CNN算出一組基音判決信息，然后融合兩組基音判決信息，最后在融合信

4、息上使用基于語音短時平穩(wěn)性的動態(tài)規(guī)劃(DynamicProgramming，DP)求出基音序列。
　　我們將CNN_ACF_DP方法與近年國際權(quán)威期刊上的PEFAC、Jin方法用相同的數(shù)據(jù)進行了對比實驗。實驗結(jié)果表明，我們的方法明顯優(yōu)于Jin方法，在某些數(shù)據(jù)上取得了比PEFAC更優(yōu)的結(jié)果，總體性能與PEFAC方法相近。本文的方法在濁音識別錯誤率(VDE)和基音識別率(DR)兩個指標上都明顯優(yōu)于Jin方法。在隨機說話人隨機噪聲環(huán)境下