DNN-HMM语音识别声学模型的说话人自适应
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-12页 |
| 插图 | 第12-14页 |
| 表格 | 第14-16页 |
| 算法 | 第16-17页 |
| 第一章 绪论 | 第17-35页 |
| ·研究背景及意义 | 第17-25页 |
| ·国内外研究现状 | 第25-32页 |
| ·本文主要研究内容及结构安排 | 第32-35页 |
| 第二章 基于多GPU的DNN快速训练 | 第35-53页 |
| ·引言 | 第35-37页 |
| ·GPU及在DNN建模中的应用 | 第37-38页 |
| ·GPU和CUDA C编程模型 | 第37页 |
| ·GPU下DNN训练相关工具 | 第37-38页 |
| ·DNN-HMM声学建模 | 第38-46页 |
| ·RBM和DBN训练算法 | 第39-42页 |
| ·DNN训练算法 | 第42-44页 |
| ·DNN-HMM模型 | 第44-46页 |
| ·多GPU加速DNN训练 | 第46-49页 |
| ·RBM算法的矩阵表示 | 第46-47页 |
| ·基于CUDA C的RBM算法优化实现 | 第47-48页 |
| ·多GPU下的预训练 | 第48-49页 |
| ·实验部分 | 第49-52页 |
| ·实验配置 | 第49-50页 |
| ·实验结果和分析 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第三章 基于说话人编码的自适应建模 | 第53-69页 |
| ·引言 | 第53-55页 |
| ·基于说话人编码的模型域自适应 | 第55-58页 |
| ·说话人编码自适应模型 | 第55-56页 |
| ·交叉熵准则下的自适应训练 | 第56-58页 |
| ·i-Vector表征说话人特性编码方式 | 第58-60页 |
| ·实验部分 | 第60-66页 |
| ·TIMIT任务 | 第60-62页 |
| ·Switchboard任务 | 第62-66页 |
| ·本章小结 | 第66-69页 |
| 第四章 说话人相关声学模型的区分性训练 | 第69-77页 |
| ·引言 | 第69-70页 |
| ·DNN的区分性训练 | 第70-72页 |
| ·区分性训练简介 | 第70-71页 |
| ·基于MMI准则的DNN区分性训练 | 第71-72页 |
| ·基于MMI准则的说话人编码自适应 | 第72-73页 |
| ·说话人相关DNN的区分性训练 | 第73页 |
| ·实验部分 | 第73-75页 |
| ·MMI准则下说话人编码自适应 | 第73-74页 |
| ·说话人相关DNN的帧级交叉熵训练 | 第74-75页 |
| ·说话人相关DNN的区分性训练 | 第75页 |
| ·本章小结 | 第75-77页 |
| 第五章 基于DNN-HMM的其它说话人自适应方法 | 第77-91页 |
| ·引言 | 第77-78页 |
| ·矩阵分解说话人自适应 | 第78-80页 |
| ·SVD及其在DNN中的应用 | 第78-79页 |
| ·基于SVD的说话人自适应方法 | 第79-80页 |
| ·矩阵分解说话人自适应实验 | 第80-85页 |
| ·TIMIT任务 | 第81-82页 |
| ·Switchboard任务 | 第82-85页 |
| ·基于融合的说话人自适应 | 第85-87页 |
| ·说话人编码自适应中存在的问题 | 第85-86页 |
| ·基于融合的说话人自适应方法 | 第86-87页 |
| ·基于融合的自适应实验结果 | 第87-89页 |
| ·本章小结 | 第89-91页 |
| 第六章 总结 | 第91-93页 |
| ·本文的主要贡献与创新点 | 第91-92页 |
| ·后续工作展望 | 第92-93页 |
| 参考文献 | 第93-103页 |
| 个人简历及在读期间发表的学术论文 | 第103-109页 |
| 致谢 | 第109-110页 |
