Deep Neural Networks for Acoustic Modeling in Speech Recognition

Table of Contents

关于

深度学习在语音识别中的应用。参考文献

Hinton G E, Deng L, Yu D, et al. Deep Neural Networks for Acoustic Modeling in Speech Recognition[J]. IEEE Signal Processing Magazine, 2012, 29(6).

GMM-HMM
GMM 表达 HMM 态之间的关系；
输入的表达：MFCC（Mel-frequency cepstral coefficients），PLPs（perceptual linear predictive coefficients）；
以及一阶和二阶时域差分；

每一个音节（？）用一个态 s 表示，输入特征 x 到态s的建模 $P(x | s)$ 采用高斯混合模型 GMM，这是一个生成模型。（利用EM算法，很容易拟合数据）
用隐马尔科夫模型建模态转移
DNN 替换 GMM：GMM不能很好的建模低维非线性流形。DNN直接建模条件概率 $P (s | x)$ ，然后通过贝叶斯法则得到 $(P(x|s) = P(s|x) * P(x) / P(s))。态的标注通过基本的 HMM-GMM 得到？
TIMIT database； LVCSR
逐层的训练 RBM，第一层隐层保持二进制（硬判决的noise可以作为正则防止过拟合），其他层隐层都用实值的概率值。
实值数据（MFCC）建模：高斯贝努力 RBM（Gaussian–Bernoulli RBM (GRBM)），能量函数为：

$E(v, h) = \sum_{i \in vis} \frac{(v_i - a_i)^2}{2 \sigma_i^2} - \sum_{j \in hid} b_j h_j - \sum_{i,j} \frac{v_i}{\sigma_i} h_j w_{ij}$

两个条件分布为：

$p(h_j|v) = \text{logistic}(b_j + \sum_i \frac{v_i}{\sigma_i} w_{ij}) \\ p(v_i|h) = \mathcal{N}(a_i + \sigma_i \sum_j h_j w_{ij}; \sigma_i^2)$