基于GMM-HMM和深層循環(huán)神經(jīng)網(wǎng)絡(luò)的復(fù)雜噪聲環(huán)境下的語(yǔ)音識(shí)別

劉旺玉，SHIRAISHI HIROSHI

（華南理工大學(xué)　機(jī)械與汽車(chē)工程學(xué)院，廣州 510640）

?

基于GMM-HMM和深層循環(huán)神經(jīng)網(wǎng)絡(luò)的復(fù)雜噪聲環(huán)境下的語(yǔ)音識(shí)別

劉旺玉，SHIRAISHI HIROSHI

（華南理工大學(xué)機(jī)械與汽車(chē)工程學(xué)院，廣州 510640）

摘 要：探索了工廠(chǎng)實(shí)時(shí)環(huán)境下控制平臺(tái)使用語(yǔ)音輸入代替鍵盤(pán)輸入的一種新型語(yǔ)音識(shí)別算法。目前，在無(wú)噪聲情況下，語(yǔ)音識(shí)別已經(jīng)獲得了很好的效果。但一旦考慮實(shí)時(shí)環(huán)境下的噪聲，它的識(shí)別精度會(huì)大幅下降。本文結(jié)合混合高斯分布的隱馬爾科夫模型與深層循環(huán)神經(jīng)網(wǎng)絡(luò)模型提出了一種新型語(yǔ)音識(shí)別混合模型，可以有效去除工廠(chǎng)復(fù)雜環(huán)境下的噪音干擾，提高語(yǔ)音識(shí)別的有效性。實(shí)驗(yàn)結(jié)果表明，此方法在噪聲環(huán)境下具有良好的適應(yīng)性能。

關(guān)鍵詞：隱馬爾科夫模型；深層循環(huán)神經(jīng)網(wǎng)絡(luò)；抗噪；混合模型；MATLAB

0　引言

工廠(chǎng)自動(dòng)化技術(shù)誕生于20世紀(jì)40年代。迄今為止，隨著計(jì)算機(jī)技術(shù)，無(wú)線(xiàn)通訊技術(shù)，現(xiàn)場(chǎng)總線(xiàn)技術(shù)，工業(yè)以太網(wǎng)技術(shù)，信息技術(shù)，機(jī)器人技術(shù)，傳感器技術(shù)以及安全技術(shù)等科學(xué)技術(shù)的不斷發(fā)展與創(chuàng)新，在經(jīng)歷了單機(jī)自動(dòng)化，車(chē)間自動(dòng)化，中央集中控制等幾個(gè)重要階段之后，工廠(chǎng)自動(dòng)化正向工廠(chǎng)綜合自動(dòng)化發(fā)展［1］。但現(xiàn)階段，鍵盤(pán)操作依然使用手控而不是聲控。雖然個(gè)人電腦和移動(dòng)終端已能部分實(shí)現(xiàn)聲音輸入與識(shí)別，但工廠(chǎng)實(shí)時(shí)環(huán)境下的噪聲十分復(fù)雜，會(huì)嚴(yán)重影響到控制系統(tǒng)的語(yǔ)音識(shí)別［2］。因此，如何消除工廠(chǎng)噪音，在人機(jī)交互控制系統(tǒng)中實(shí)現(xiàn)敏捷的語(yǔ)音識(shí)別，是實(shí)現(xiàn)工廠(chǎng)自動(dòng)化需要解決的關(guān)鍵問(wèn)題之一。

抗噪語(yǔ)音識(shí)別技術(shù)可以分為兩種。一種是適應(yīng)在噪聲環(huán)境下的語(yǔ)音適應(yīng)性模型，第二種是從輸入信號(hào)中除去噪聲成分的去噪模型［3］。前者有并行模型結(jié)合處理算法（PMC），矢量泰勒級(jí)數(shù)法（VTS）等適應(yīng)算法。語(yǔ)音適應(yīng)性方法可以獲得較高的精度，但是計(jì)算量大［4］。本文重點(diǎn)討論去噪模型，實(shí)現(xiàn)帶噪語(yǔ)音識(shí)別。

去噪模型也可以分為兩種：一種是在能量譜領(lǐng)域中除去噪聲的方法，另一種是通過(guò)語(yǔ)音特征量除去噪聲的方法。前者有減譜法（SS），維納濾波等方法，但該方法去噪后頻率偏差大［5］。后者有SPLICE（Stereo Piecewise Linear Compensation for Environments），DAE （Denoising Auto Encoder）等方法，該類(lèi)方法需要提前學(xué)習(xí)純語(yǔ)音特征量的信息表達(dá)，然后實(shí)現(xiàn)適合語(yǔ)音特征的噪聲去除［6， 7］。

近年來(lái)出現(xiàn)了一種新的語(yǔ)音識(shí)別算法，即DAE的復(fù)雜噪音去除模型RDAE（Recurrent Denoising Auto Encoder）［8］。該方法解決了語(yǔ)音識(shí)別中前后連續(xù)性問(wèn)題。但這個(gè)模型中依然存在過(guò)度學(xué)習(xí)的問(wèn)題。為了避免識(shí)別效率下降，本文提出深層循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)合高斯混合模型和隱馬爾科夫模型的混合模型，可提高語(yǔ)音識(shí)別效果。在本文中，利用深層循環(huán)神經(jīng)網(wǎng)絡(luò)的自適應(yīng)能力以及隱馬爾科夫模型的良好的動(dòng)態(tài)建模能力，結(jié)合高斯混合模型的魯棒性來(lái)合成，提出混合高斯分布的隱馬爾科夫模型與深層循環(huán)神經(jīng)網(wǎng)絡(luò)的混合模型，實(shí)現(xiàn)噪聲環(huán)境下的語(yǔ)音識(shí)別。

本文先介紹循環(huán)神經(jīng)網(wǎng)絡(luò)及其深層學(xué)習(xí)特點(diǎn)，然后提出與高斯混合分布相結(jié)合的隱馬爾科夫模型的混合模型合成方法，最后通過(guò)實(shí)驗(yàn)方法驗(yàn)證本文結(jié)果。

1　深層循環(huán)神經(jīng)網(wǎng)絡(luò)

深層神經(jīng)網(wǎng)絡(luò)基于上世紀(jì)50年代出現(xiàn)的人工神經(jīng)網(wǎng)絡(luò)，其特點(diǎn)是自學(xué)習(xí)和自適應(yīng)性、非線(xiàn)性、魯棒性和容錯(cuò)性、計(jì)算平行性和存儲(chǔ)分布性。但它占用計(jì)算機(jī)的存儲(chǔ)空間大。當(dāng)數(shù)據(jù)量不足時(shí)，造成推理依據(jù)不足，無(wú)法解釋自己的推理過(guò)程，甚至運(yùn)算無(wú)法進(jìn)行。上世紀(jì)90年代后期人工神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域開(kāi)始凋謝，隱馬爾科夫模型取代了神經(jīng)網(wǎng)絡(luò)在語(yǔ)音識(shí)別上的地位［9］。直到2006年出現(xiàn)了深層神經(jīng)網(wǎng)絡(luò)。深層神經(jīng)網(wǎng)絡(luò)可以逼近人的思維，可包含多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)［10， 11］。

1.1循環(huán)神經(jīng)網(wǎng)絡(luò)

由于聲音是時(shí)間序列，其過(guò)去的狀態(tài)會(huì)直接影響到將來(lái)的狀態(tài)，因此循環(huán)神經(jīng)網(wǎng)絡(luò)是一種動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)。通常，普通神經(jīng)網(wǎng)絡(luò)模型沒(méi)有考慮時(shí)間維度，所以使用循環(huán)神經(jīng)網(wǎng)絡(luò)更適合于處理語(yǔ)音信號(hào)。在本文中循環(huán)神經(jīng)網(wǎng)絡(luò)的功能是使帶噪語(yǔ)音接近純語(yǔ)音［12］。

式（1）中，V是跟偏差向量c有關(guān)的權(quán)重矩陣。表示隱藏層的函數(shù)是h（1），它是非線(xiàn)性函數(shù)，其函數(shù)是以下式：

W是與偏差向量b（1）有關(guān)的權(quán)重矩陣。激活函數(shù)σ（）在實(shí)驗(yàn)中使用Tanh-Sigmoid［13］。

訓(xùn)練網(wǎng)絡(luò)后取最小誤差。

因?yàn)檩斎胫祒的長(zhǎng)度不一樣，輸入維度會(huì)很高，所以輸入時(shí)采用多個(gè)輸入框，以提高計(jì)算效率。為了解決前后輸入框的獨(dú)立性，把式（2）改成式（4）。

t表示時(shí)間，xt為當(dāng)前的輸入框，xt-1為前一個(gè)輸入框，U為權(quán)重矩陣，輸入框在時(shí)間序列上連續(xù)。其循環(huán)過(guò)程如圖1所示。

圖1　循環(huán)神經(jīng)網(wǎng)絡(luò)循環(huán)過(guò)程

1.2深層循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

雖然循環(huán)神經(jīng)網(wǎng)絡(luò)是非線(xiàn)性的，但該模型不能足夠接近噪聲環(huán)境下的復(fù)雜信號(hào)。在本研究中擬引入更多非線(xiàn)性的隱藏層。我們稱(chēng)引入更多循環(huán)過(guò)程的神經(jīng)網(wǎng)絡(luò)模型為深層循環(huán)神經(jīng)網(wǎng)絡(luò)，是一種比單層隱藏層多的多隱藏層模型。深層循環(huán)神經(jīng)網(wǎng)絡(luò)的循環(huán)過(guò)程如圖2所示。

圖2　深層循環(huán)神經(jīng)網(wǎng)絡(luò)過(guò)程

在圖中，i表示多層神經(jīng)網(wǎng)絡(luò)中網(wǎng)絡(luò)的隱藏層的層數(shù)。例如i=1時(shí)候，隱藏層h就是h（1），表示第一層的隱藏層。深層神經(jīng)網(wǎng)絡(luò)的隱藏層大于1。

所以式（4）改為：從式（5）中可以看出，隱藏層h（i）與權(quán)重矩陣W（i），偏差向量b（i）之前的隱藏層的輸出值h（i-1）（xt）有關(guān)。如使用深層循環(huán)神經(jīng)網(wǎng)絡(luò)模型時(shí)，式（5）可改寫(xiě)為：

2　混合模型

混合模型的去噪步驟包含兩個(gè)重要部分：首先把帶噪語(yǔ)音處理為接近純語(yǔ)音的信號(hào)，然后對(duì)近純語(yǔ)音進(jìn)行識(shí)別。去噪步驟使用深層循環(huán)神經(jīng)網(wǎng)絡(luò)，需要確定隱馬爾科夫模型的維數(shù)（或特征值的維數(shù)），為了防止過(guò)擬合，確定是否用隨機(jī)退出技術(shù)（drop out），另外，需要確定輸入框數(shù)，權(quán)重，隱藏層單元個(gè)數(shù)，隱藏層的層數(shù)，σ的激活函數(shù)，網(wǎng)絡(luò)的初始值，訓(xùn)練的迭代次數(shù)等量值。一般地，輸入深層神經(jīng)網(wǎng)絡(luò)的特征值維數(shù)和輸入隱馬爾科夫模型的維數(shù)設(shè)定是一樣的。Drop out是每次訓(xùn)練開(kāi)始時(shí)隨機(jī)地刪除一半的隱層單元，即每次訓(xùn)練的網(wǎng)絡(luò)不一樣。最后測(cè)試時(shí)所有的節(jié)點(diǎn)都用上［14］。為了前后連續(xù)，輸入框數(shù)為奇數(shù)。例如n為當(dāng)前的框時(shí)，n-1為之前狀態(tài)，n+1為之后狀態(tài)。所以至少需要3個(gè)輸入框。隱層單元個(gè)數(shù)由語(yǔ)音樣本及特征值的維數(shù)來(lái)決定。雖然它的值越大越能得到更好的效果，但計(jì)算量多，訓(xùn)練速度也降低。隱藏層越多，效果也越好，但導(dǎo)致計(jì)算量多，訓(xùn)練速度降低。σ的激活函數(shù)可以從以下函數(shù)中選擇，logistic-sigmoid，tanh-sigmoid，ReLu（Rectified Linear Units）。Logistic函數(shù)［13］為：

tanh函數(shù)為：

ReLu函數(shù)［15］為：

網(wǎng)絡(luò)的初始值從zeros（矩陣都是零），ones（矩陣都是一），rand（隨機(jī)地從0到1之內(nèi)選矩陣的值）選擇。訓(xùn)練的迭代次數(shù)越多效果越好，但計(jì)算量增加。

我們可以在網(wǎng)絡(luò)中訓(xùn)練多個(gè)帶噪語(yǔ)音，但訓(xùn)練語(yǔ)音越多計(jì)算量也越大。所以在不同類(lèi)型的噪聲環(huán)境下，重新讓網(wǎng)絡(luò)訓(xùn)練模型生成新模型。這樣就可以減少計(jì)算量，而且不會(huì)出現(xiàn)平臺(tái)停機(jī)的問(wèn)題。

在已知噪聲的環(huán)境下，增加網(wǎng)絡(luò)的層數(shù)，去噪效果會(huì)更好。但在未知噪聲的環(huán)境下，加多隱藏層并不能從帶噪語(yǔ)音下完全去掉噪聲，因?yàn)榇嬖诰W(wǎng)絡(luò)過(guò)度學(xué)習(xí)的問(wèn)題［16］。使用高斯混合分布的隱馬爾科夫模型可以有效解決此類(lèi)問(wèn)題，它具有強(qiáng)大的動(dòng)態(tài)性，容錯(cuò)性和魯棒性。由于它有分類(lèi)歸并的功能，對(duì)于輕微噪聲環(huán)境下不同個(gè)體的語(yǔ)音也可以獲得較好的識(shí)別結(jié)果。所謂高斯混合模型就是指對(duì)樣本的概率密度分布進(jìn)行估計(jì)，而估計(jì)的新模型是幾個(gè)高斯模型加權(quán)之和。每個(gè)高斯模型就代表了一個(gè)類(lèi)。高斯混合模型是從幾個(gè)單高斯分布模型中產(chǎn)生出來(lái)的，定義為：

其中K是模型個(gè)數(shù)。第k個(gè)高斯的概率密度函數(shù)中μk為均值，σk為方差。對(duì)概率密度的估計(jì)就是對(duì)每個(gè)變量求和。每個(gè)求和結(jié)果就分別代表樣本x屬于第k個(gè)高斯的概率。K需要先確定。如果K取得很大，模型就會(huì)變得很復(fù)雜，但可以用來(lái)逼近任意連續(xù)的概率密度分布。正是因?yàn)楦咚购瘮?shù)具有良好的計(jì)算性能，所以高斯混合模型應(yīng)用廣泛。

在隱馬爾科夫模型的狀態(tài)中，每個(gè)狀態(tài)都有一個(gè)高斯混合模型，包括K個(gè)高斯模型參數(shù)。只要知道這些參數(shù)，就可以在識(shí)別時(shí)計(jì)算出一串狀態(tài)轉(zhuǎn)移的概率。

在噪聲環(huán)境下使用隱馬爾科夫模型時(shí)，它的識(shí)別率會(huì)大大降低。所以在本文中使用深層循環(huán)神經(jīng)網(wǎng)絡(luò)與混合高斯隱馬爾科夫模型相結(jié)合的混合模型。獲得噪音環(huán)境下的語(yǔ)音特征值后，先通過(guò)深層循環(huán)神經(jīng)網(wǎng)絡(luò)使特征值接近純語(yǔ)音。深層循環(huán)神經(jīng)網(wǎng)絡(luò)輸出的特征值輸入到混合高斯分布的隱馬爾科夫模型里，得到最終識(shí)別結(jié)果?；旌夏Ｐ偷慕Y(jié)構(gòu)圖如下。

圖3　混合模型的結(jié)構(gòu)

首先把帶噪語(yǔ)音特征值（noise speech）和純語(yǔ)音特征值（test speech）輸入到深層神經(jīng)網(wǎng)絡(luò)中訓(xùn)練網(wǎng)絡(luò)的權(quán)值、偏差等參數(shù)。然后在神經(jīng)網(wǎng)絡(luò)模型里輸入noise speech，這樣可以得到接近test speech的特征值predict speech。

在混合高斯分布的隱馬爾科夫模型里先訓(xùn)練純語(yǔ)音的特征值（train speech）。模型訓(xùn)練后輸入predict speech，最終得到識(shí)別結(jié)果。

3　實(shí)驗(yàn)

3.1實(shí)驗(yàn)方法

本論文中使用的訓(xùn)練語(yǔ)音數(shù)據(jù)樣本為：男性38人，女性57人。在識(shí)別語(yǔ)音樣本中男性56人，女性57人的語(yǔ)音樣本。在訓(xùn)練語(yǔ)音和識(shí)別語(yǔ)音中使用不同人的聲音。在訓(xùn)練語(yǔ)音中共有2090個(gè)單詞，識(shí)別語(yǔ)音中有2486個(gè)單詞，總共4576個(gè)單詞。在實(shí)驗(yàn)中使用在噪音環(huán)境下分別給出四種不同噪音強(qiáng)度0dB，5dB，10dB，20dB。噪音來(lái)自機(jī)加工車(chē)間，含車(chē)削加工、磨削加工、焊接加工等三種噪音。使用語(yǔ)音合成法把每個(gè)噪音和強(qiáng)度調(diào)整后跟識(shí)別語(yǔ)音合成起來(lái)，共有32318個(gè)識(shí)別語(yǔ)音數(shù)據(jù)。從語(yǔ)音數(shù)據(jù)中使用MFCC取出特征值。提取特征值前，先通過(guò)預(yù)加重，分幀，加窗處理。在實(shí)驗(yàn)中分幀的幀長(zhǎng)為25毫秒，幀長(zhǎng)重復(fù)部分為10毫秒。加窗處理使用漢明窗。提取MFCC為12階，并提取它的一階差分系數(shù)和二階差分系數(shù)。每個(gè)系數(shù)取能量譜，總共取39階的特征值。在高斯混合模型中使用11個(gè)模型，訓(xùn)練迭代次數(shù)為10次。隱馬爾科夫模型是無(wú)跨越的從左向右模型，它的狀態(tài)數(shù)為10個(gè)，訓(xùn)練迭代次數(shù)為10次。深層循環(huán)神經(jīng)網(wǎng)絡(luò)的層數(shù)為5個(gè)，其中隱藏層為3個(gè)，隱藏層的第二層定為循環(huán)神經(jīng)網(wǎng)絡(luò)。輸入框?yàn)?個(gè)，隱層單元為500個(gè)，訓(xùn)練迭代次數(shù)為2000次。使用不同強(qiáng)度0dB，5dB，10dB，20dB 等4種模式，共有3種不同的噪音環(huán)境A，B，C。先采用神經(jīng)網(wǎng)絡(luò)優(yōu)化，然后通過(guò)混合高斯隱馬爾科夫模型識(shí)別。其過(guò)程在MATLAB系統(tǒng)中運(yùn)行。

3.2實(shí)驗(yàn)結(jié)果

在實(shí)驗(yàn)中使用的語(yǔ)音波形及它的噪聲環(huán)境中的語(yǔ)音波形如圖4所示。

圖4　在不同的信噪比條件下男性說(shuō)“one”的語(yǔ)音波形

SNR是信噪比。從圖4中可以看到它的值越大信號(hào)也越清楚。所以0dB時(shí)識(shí)別率是最低。圖4中的數(shù)據(jù)長(zhǎng)度為3360。分幀，加窗處理后可以分到40個(gè)數(shù)據(jù)。然后使用MFCC提取特征值。它的數(shù)據(jù)如圖5所示。

圖5　在不同的信噪比條件下男性說(shuō)“one”的特征值

從圖5中可以看到從0到15的區(qū)間變化很大。有明顯的噪聲干擾。我們與使用深層循環(huán)神經(jīng)網(wǎng)絡(luò)去噪后的特征值進(jìn)行對(duì)比。去噪后的特征值如圖6所示。

圖6　去噪后的特征值

從圖6中可以看到帶噪的特征值逼近純語(yǔ)音的特征值。雖然還有微小的差別，但使用高斯混合分布的隱馬爾科夫模型可以獲得較高的精度。

為了比較混合模型的優(yōu)點(diǎn)，在實(shí)驗(yàn)時(shí)，用混合高斯分布的隱馬爾科夫模型（GMM-HMM）、隱藏層是單層的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN-GMM-HMM）、不循環(huán)的深層神經(jīng)網(wǎng)絡(luò)（DNN-GMM-HMM）進(jìn)行比較。實(shí)驗(yàn)結(jié)果如表1所示。

表1　隱馬爾科夫模型與混合模型的識(shí)別率

A是車(chē)削加工的噪音。B是磨削加工的噪音。C是焊接加工的噪音。GMM-HMM是隱馬爾科夫模型。DRNN-GMM-HMM是深層循環(huán)神經(jīng)網(wǎng)絡(luò)與混合高斯分布的隱馬爾科夫混合模型。從表中也可以看出：識(shí)別純語(yǔ)音的時(shí)候，隱馬爾科夫模型和混合模型都超過(guò)99%.但是一旦帶上噪音時(shí)，隱馬爾科夫模型的識(shí)別率開(kāi)始大大降低，0dB時(shí)已經(jīng)低于50%，在噪聲環(huán)境C中降低到21%。然而，在混合模型中雖然識(shí)別率也降低，但是大大高于隱馬爾可夫模型。到了0dB時(shí)它的識(shí)別率仍達(dá)到90%左右，是隱馬爾科夫的2倍以上。

4　結(jié)論

本文探索了在工廠(chǎng)實(shí)時(shí)噪音背景中如何進(jìn)行語(yǔ)音識(shí)別的解決方案。通過(guò)使用深層循環(huán)神經(jīng)網(wǎng)絡(luò)，把帶噪語(yǔ)音處理到接近純語(yǔ)音，然后通過(guò)混合高斯分布的隱馬爾可夫模型進(jìn)行語(yǔ)音識(shí)別，可以獲得較高的識(shí)別精度。通過(guò)理論分析和實(shí)驗(yàn)驗(yàn)證，證明了該方法具有明顯的優(yōu)點(diǎn)。本文研究結(jié)果對(duì)于在工廠(chǎng)實(shí)時(shí)噪音環(huán)境下高效、敏捷實(shí)現(xiàn)語(yǔ)音控制的人機(jī)交互控制系統(tǒng)的實(shí)現(xiàn)提供了一種解決途徑。

參考文獻(xiàn)：

［1］ 自動(dòng)化在線(xiàn).探求工廠(chǎng)自動(dòng)化技術(shù)的發(fā)展史［EB/OL］.（2012-06-08）［2015-09-15］.http：//ww.autooo.net/classid119-id95581.html.

［2］ 糟谷敏宏，村上憲也.音聲認(rèn)識(shí)における背景雑音の影響［J］.全國(guó)大會(huì)講演論文集，1991，42（2）：116-117.

［3］ Cui X， Afify M， Gao Y，et al.Stereo hidden Markov modeling for noise robust speech recognition［J］.Computer Speech & Language，2013，27（2）：407-419.

［4］ 山口耕市， 森尾智一，赤羽俊夫，等.コンパクトな単語(yǔ)音聲認(rèn)識(shí)，テキスト音聲合成 （特集： ユーザインタフェース）［J］. シャ-プ技報(bào)， 2000 （77）： 26-32.

［5］ 松本弘.雑音環(huán)境下の音聲認(rèn)識(shí)手法［J］.情報(bào)科學(xué)技術(shù)フォーラム FIT2003，2003.

［6］ Stouten V，Wambacq P.Model-based feature enhancement with uncertainty decoding for noise robust ASR［J］.Speech communication，2006，48（11）：1502-1514.

［7］ Bengio Y， Yao L，Alain G，et al.Generalized denoising autoencoders as generative models［A］.Advances in Neural Information Processing Systems［C］.2013：899-907.

［8］ Maas A L， Le Q V，O'Neil T M， et al. Recurrent Neural Networks for Noise Reduction in Robust ASR［A］.INTERSPEECH［C］.2012.

［9］ 清水亮.ディープラーニングはビジネスにどう使えるか？ ［EB/OL］.（2015-05-20）［2015-09-20］. https：//wirelesswire. jp/2015/05/30505.

［10］ Hinton G E， Salakhutdinov R R. Reducing the dimensionality of data with neural networks［J］.Science，2006，313（5786）：504-507.

［11］ Hinton G E，Osindero S， Teh Y W.A fast learning algorithm for deep belief nets［J］.Neural computation，2006，18（7）：1527-1554.

［12］ Vincent P， Larochelle H， Bengio Y，et al. Extracting and composing robust features with denoising autoencoders［A］. Proceedings of the 25th international conference on Machine learning.ACM［C］.2008：1096-1103.

［13］ 史峰，王小川，郁磊，等.MATLAB 神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析［M］.北京：北京航空航天大學(xué)出版社，2010.

［14］ Srivastava N， Hinton G， Krizhevsky A，et al. Dropout：A simple way to prevent neural networks from overfitting［J］.The Journal of Machine Learning Research，2014，15（1）：1929-1958.

［15］ Nair V，Hinton G E. Rectified linear units improve restricted boltzmann machines［A］.Proceedings of the 27th International Conference on Machine Learning（ICML-10）［C］.2010：807-814.

［16］ 柏木陽(yáng)佑，齋藤大輔，峯松信明，等.Deep Learningに基づくクリーン音聲狀態(tài)識(shí)別による雑音環(huán)境下音聲認(rèn)識(shí)［J］.日本音響學(xué)會(huì)講演論文集，2013：1-8-3.

Speech recognition in complex noise environment based on GMM-HMM and deep recurrent neural network

LIU Wang-yu， SHIRAISHI HIROSHI

中圖分類(lèi)號(hào)：TN912.34；TH18

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-0134（2016）05-0142-05

收稿日期：2016-01-26

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目（51375178）

作者簡(jiǎn)介：劉旺玉（1966 -），女，陜西西安人，教授，博士，研究方向?yàn)楝F(xiàn)代加工方法與結(jié)構(gòu)優(yōu)化設(shè)計(jì)。