| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 语音识别研究现状与分析 | 第10-12页 |
| 1.2.2 人工神经网络模型的过拟合问题研究现状与分析 | 第12-13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 2 语音识别技术 | 第16-24页 |
| 2.1 语音识别概述 | 第16-17页 |
| 2.2 语音识别系统 | 第17-22页 |
| 2.2.1 声学特征提取 | 第17-19页 |
| 2.2.2 声学模型 | 第19-21页 |
| 2.2.3 语言模型 | 第21页 |
| 2.2.4 语音解码和搜索算法 | 第21-22页 |
| 2.3 语音信号的特性 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 深度学习理论 | 第24-39页 |
| 3.1 深度学习概述 | 第24页 |
| 3.2 深度学习常用模型 | 第24-29页 |
| 3.2.1 稀疏编码 | 第24-25页 |
| 3.2.2 自动编码器 | 第25-27页 |
| 3.2.3 受限波尔兹曼机 | 第27-28页 |
| 3.2.4 卷积神经网络 | 第28-29页 |
| 3.3 卷积神经网络模型在语音识别中的应用研究 | 第29-32页 |
| 3.3.1 卷积神经网络在语音识别方面的优势 | 第29-30页 |
| 3.3.2 卷积神经网络模型中池化层的意义 | 第30-31页 |
| 3.3.3 卷积神经网络模型中池化策略的不足 | 第31-32页 |
| 3.4 关于提升卷积神经网络模型性能的研究 | 第32-38页 |
| 3.4.1 防过拟合策略 | 第32-36页 |
| 3.4.2 稀疏学习策略 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 基于POWER8和卷积神经网络的语音识别研究 | 第39-53页 |
| 4.1 现有Pooling算法模型的缺陷 | 第39页 |
| 4.2 DA-Pooling算法概述 | 第39-40页 |
| 4.3 DA-Pooling语音数据相关性度量 | 第40-41页 |
| 4.4 DA-Pooling算法模型 | 第41-42页 |
| 4.5 DA-Pooling算法的实现 | 第42-44页 |
| 4.6 实验结果与分析 | 第44-52页 |
| 4.6.1 POWER8高性能处理器架构概述 | 第44-46页 |
| 4.6.2 实验环境及平台搭建 | 第46-49页 |
| 4.6.3 POWER8平台下卷积神经网络性能实验 | 第49页 |
| 4.6.4 DA-Pooling算法在POWER和X86平台的性能对比实验 | 第49-51页 |
| 4.6.5 DA-Pooling算法的性能评估实验 | 第51页 |
| 4.6.6 DA-Pooling算法的可扩展性实验 | 第51-52页 |
| 4.7 本章小结 | 第52-53页 |
| 5 基于稀疏性的Dropout防过拟合策略的改进与实现 | 第53-62页 |
| 5.1 Dropout防过拟合模型的不足 | 第53-55页 |
| 5.2 基于稀疏性的Dropout模型改进 | 第55页 |
| 5.3 改进的Dropout策略中节点稀疏性判定方法 | 第55-57页 |
| 5.4 改进的Dropout策略的实现 | 第57-58页 |
| 5.5 实验结果与分析 | 第58-61页 |
| 5.5.1 隐层中神经元节点的稀疏度测试实验 | 第58-59页 |
| 5.5.2 改进后的Dropout防过拟合能力实验 | 第59-60页 |
| 5.5.3 改进后的Dropout策略的性能评估实验 | 第60-61页 |
| 5.6 本章小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读学位期间发表的学术论文 | 第67-68页 |
| 致谢 | 第68-69页 |
