本文主要介绍了深度学习和语音识别技术的发展历史和发展现况,研究意义及目的。通过深度学习技术建立声学模型,从而引入语音识别技术中分析其发展前景。本文希望通过对基于深度学习的语音识别方法研究,将语音识别的效率优化,准确率提高,从而促进语音识别技术的发展。数学含义是:在t时刻模型的基本状态隐藏是Si的前提下，模型状态的观察为Oi的概率。综上论述可知，通常情况下，通过λ=(A，B，π)这个三元组可以相对简化地描述出一个隐马尔可夫模型。隐马尔可夫模型是由马尔可夫模型经过演绎完善得到的一种新型模型，马尔科夫模型的状态集合不能以观察者的身份追踪监测与被隐藏的状态之间的概率联系，而隐马尔可夫模型却能做到这一点。  本文由张家港弯管机网站

转载中国知网整理!www.wangaunjimuju.net当将HMM用作声学模型时，其设计结构如图1所示，表现为某状态转变为另一状态的转移概率。图1状态转移概率结构图Fi高斯混合模型(GMM)是一种参数概率密度函数，表示高斯分量密度的加权和。高斯混合模型是由方程给出的M分量高斯密度的加权和，其数学公式可表示为:631智能计算机与应用第9卷。在本文会将相邻多帧拼接，从而得到汇集更多数据的输入量。采用拼接帧是优化效率的一种重要手段语音识别方法研究-电动折弯机数控滚圆机滚弧机倒角机张家港液压弯管机滚圆机。DNN是一个具有众多隐含层的多层网络，信号接送至输入层后分多条线路传输到隐含层，从采集的原始声音特征映射到新特征空间中，这种新特征空间是通过隐含层各节点构成的，从而得到一种新的特征表现形式  本文由张家港弯管机网站 转载中国知网整理!www.wangaunjimuju.net。每一层隐含层都会对上一层的语音信号进行分解，并且在本层加以重组。当信号到达最后一个隐含层时，会通过深度学习网络映射到状态空间;绘制出2个模型的结构，从中可以看出深度神经网络包含多个高斯混合模型，一个高斯混合模型可以被当作仅含有一个隐含层的神经网络，各个高斯混合分量作为隐含层节点，由下层的各个混合分量经由线性组合而成的输出层可被当作HMM模型的状态。通过将采集的声学特征映射到GMM混合分量空间，从而在HMM模型中实现映射，最后在得到的状态中得到输出后验概率。基于前述研究可以看出，DNN的建模能力要优于GMM，因此DNN－HMM是一种更加高效的声学模型。图3单个高斯混合模型与深度神经网络模型F模型中的GMM进行置换，从而计算HMM状态的后验概率。设给定时刻T的特征观察矢量是Oπ，在DNN中采用Softmax函数计算HMM状态出现的概率，状态为:yw()s=P(s|O)vt=expavt{()}x∑x＇expavtx{()}＇，(21)其中，{avt(x)}为输出层x的激活概率。在此基础上，还将推得:其中，P(x)表示训练数据中状态x出现的先验概率。在DNN－HMM模型中，DNN的原理是将采集的输入信号的后验概率进行计算建模。对观察概率建模是传统GMM模型的模式。因此研究中既需要获取先验概率，又要获取后验概率，将二者相结合从语音识别方法研究-电动折弯机数控滚圆机滚弧机倒角机张家港液压弯管机滚圆机  本文由张家港弯管机网站 转载中国知网整理!www.wangaunjimuju.net