[发明专利]一种基于深度残差的中文语音识别方法

说明书

本发明涉及一种基于深度残差的中文语音识别方法，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转换成三维数组；4)将步骤3)中三维数组的最后的特征参数全部输进卷积神经网络中，对卷积神经网络反复训练，直到取得符合要求的识别率；5)对训练好的卷积神经网络模型进行测试，输出识别文本。与现有技术相比，本发明具有加快模型训练速度、提高语音识别率等优点。

技术领域

本发明涉及语音信号处理及识别领域，尤其是涉及一种基于深度残差的中文语音识别方法。

背景技术

语音作为一种最便捷自然的交流形式，它承载着信息传递和情感表达的功能。随着语音识别技术的进步，越来越多的人们期望能够通过语音与机器进行沟通，因此语音识别这一技术也越来越受到关注。目前语音识别应用最广泛的一种结构是长短时记忆网络，这种网络能够对语音的长时相关性进行建模，从而提高识别正确率。而双向LSTM网络可以获得更好的性能，但同时也存在训练复杂度高、解码时延高的问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度残差的中文语音识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于深度残差的中文语音识别方法，包括如下步骤：

步骤(1)、获取含有语音信息的原始数据。

步骤(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。

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。

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。

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)

步骤(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。

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。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。