[发明专利]一种基于深度残差的中文语音识别方法

权利要求书

1.一种基于深度残差的中文语音识别方法，其特征在于，该方法包括下列步骤：

1)获取含有语音信息的原始数据；

2)对原始数据提取MFCC特征参数，并获取MFCC特征参数的一阶差分和二阶差分；

3)将当前帧与该帧的一阶差分和二阶差分进行拼接，获取最后的特征参数，并将该特征参数的二维数组上增加一个通道，获取三维数组的最后的特征参数；

4)将步骤3)中三维数组的最后的特征参数全部输进深度残差网络中，对深度残差网络反复训练，直到取得符合要求的识别率；

5)对训练好的深度残差网络模型进行测试，输出识别文本。

2.根据权利要求1所述的一种基于深度残差的中文语音识别方法，其特征在于，步骤2)中，提取MFCC特征参数具体包括下列步骤：

21)对语音进行预加重、分帧和加窗预处理；

22)对每一个短时分析窗，通过FFT获取对应的频谱；

23)将步骤22)获取的频谱通过Mel滤波器组得到Mel频谱，通过Mel频谱，将线形的自然频谱转换为体现人类听觉特性的Mel频谱；

24)在Mel频谱上面进行倒谱分析，获取Mel频率倒谱系数MFCC，将MFCC作为语音特征。

3.根据权利要求2所述的一种基于深度残差的中文语音识别方法，其特征在于，步骤2)中，MFCC特征参数的一阶差分为离散函数中连续相邻两帧之差，其表达式为：

Y(k)＝X(k+1)-X(k)

式中，k为帧号，X(k)为第k帧的MFCC特征参数，X(k+1)为第k+1帧的MFCC特征参数。

4.根据权利要求3所述的一种基于深度残差的中文语音识别方法，其特征在于，步骤2)中，二阶差分表示第k+1帧的一阶差分与第k帧的一阶差分之间的关系，二阶差分的表达式为：

Z(k)＝Y(k+1)-Y(k)＝X(k+2)-2*X(k+1)+X(k)。

5.根据权利要求1所述的一种基于深度残差的中文语音识别方法，其特征在于，步骤3)中，所述的深度残差网络的结构包括多层卷积层、四个残差块、两层池化层、两层全连接层以及softmax层组成，第一层全连接层设有512个神经单元，第二层全连接层设有1422个神经单元，所有卷积层的卷积核为3x3，第一层、第二层和第一个残差块的卷积核的个数均为32，第一层池化层的步长为2x2，第三层卷积层和第二个残差块的卷积核的格式为64，第四层卷积层和第三个残差块的卷积核个数为128，第五层卷积层和第四个残差块的卷积核个数为256，第二层池化层的步长为1x2，最后一层卷积核的个数为512。

6.根据权利要求5所述的一种基于深度残差的中文语音识别方法，其特征在于，步骤3)中，所述的残差块包括两层卷积层和一层随机失活层，所述的随机失活层的输出直接与经过一层卷积后的输入相加，获取最终的目标映射。

7.根据权利要求6所述的一种基于深度残差的中文语音识别方法，其特征在于，所述的残差块结构中的卷积核的大小为3x3，随机失活层的参数设置为0.2，随机失活层选择性地对输入进行响应。

8.根据权利要求1所述的一种基于深度残差的中文语音识别方法，其特征在于，所述的识别率为语音识别的音素误码率，若训练模型达到15.42％的音素误码率，则判定为模型训练的结果达到符合要求的识别率。