[发明专利]一种基于卷积神经网络的方言分类方法

权利要求书

1.一种基于卷积神经网络的方言分类方法，其特征在于，包括如下步骤：

(1)建立包含多地方言的样本集，对样本进行预处理，并进行标注；

(2)将训练集和测试集中的所有图片缩放成预定大小的彩色图，并为每张图片赋予标签信息，标签信息表示对应的图片所属的县级市；

(3)建立卷积神经网络，卷积神经网络各层次依次为输入层、多个卷积层、全连接层和输出层，使用梯度下降法和反向传播算法训练所属卷积神经网络；

(4)训练完成后，得到训练过程中的错误率下降趋势图。

2.如权利要求1所述的基于卷积神经网络的方言分类方法，其特征在于，步骤(1)中，对样本集进行预处理，将音频文件转换成声谱图，并去掉声谱图中的空白边缘。

3.如权利要求2所述的基于卷积神经网络的方言分类方法，其特征在于，步骤(1)中，样本集包括多个地方的方言样本。

4.如权利要求1所述的基于卷积神经网络的方言分类方法，其特征在于，步骤(2)中，图片统一缩放成227×227的彩色图片。

5.如权利要求4所述的基于卷积神经网络的方言分类方法，其特征在于，步骤(3)中，卷积神经网络为经典的Alexnet网络结构，在该网络中，第一层为输入层，接受大小为227×227的彩色图像作为输入，最后一层为输出层，共N个结点，N表示需要分类的方言数据集的类别总数。

6.如权利要求1所述的基于卷积神经网络的方言分类方法，其特征在于，步骤(3)中，梯度下降算法的具体步骤为：从任一点开始，沿该点梯度的反方向运动一段距离，再沿新位置的梯度反方向运行一段距离，如此迭代；解一直朝下坡最陡的方向运动，希望能运动到函数的全局最小点，即使得误差值最小的点。

7.如权利要求1所述的基于卷积神经网络的方言分类方法，其特征在于，步骤(3)中，反向传播算法的具体步骤为：当使用梯度下降法找到误差的最小值之后，从网络的最后一层依次向前更新权值，用反向传播的方法更新权值，即链式求导法则，链式求导法则如下：

$\frac{dz}{dx}=\frac{dz}{dy}\·\frac{dy}{dx}.$

8.如权利要求1所述的基于卷积神经网络的方言分类方法，其特征在于，步骤(4)中，训练样本和测试样本，即分批次对所有样本进行训练，不断更新权值，直到目标函数的值收敛于一个稳定区域内的值，即错误率收敛于一个稳定值。