TDNN TDNNF 语音识别

最新推荐文章于 2024-08-08 07:07:47 发布

虎西虎西

最新推荐文章于 2024-08-08 07:07:47 发布

阅读量480

点赞数

文章标签：语音识别 p2p 人工智能

本文链接：https://blog.csdn.net/m0_51590371/article/details/124881591

版权

本文详细介绍了TDNN和TDNNF在网络结构中的运用，包括TDNN的实例分析，展示了不同帧偏移的隐藏层设计，以及TDNNF的权重分解和跳层连接机制，旨在降低计算复杂度并缓解梯度消失问题，提高语音识别的性能。

摘要由CSDN通过智能技术生成

TDNN的第一个例子：

input dim=40 name=input

relu-batchnorm-layer name=tdnn1 dim=625

relu-batchnorm-layer name=tdnn2 input=Append(-1,0,1) dim=625

relu-batchnorm-layer name=tdnn3 input=Append(-1,0,1) dim=625

relu-batchnorm-layer name=tdnn4 input=Append(-3,0,3) dim=625

relu-batchnorm-layer name=tdnn5 input=Append(-3,0,3) dim=625

relu-batchnorm-layer name=tdnn6 input=Append(-3,0,3) dim=625

output-layer name=output input=tdnn6 dim=625 max-change=1.5

可以看出整个TDNN共采用6个隐藏层，每个隐藏层的输出节点都是625维。第一个隐藏层接收40维的输入层节点向量，经过625×40维的权重矩阵计算后（

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

虎西虎西

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

语音识别 - 历史发展

AI + 工程

02-11

2427

一、模板匹配二、统计模型三、深度学习

神经网络 语音识别,神经网络语音合成

shirley67269的博客

10-13

1874

中间层至输出层的连接权vjt，j=1，2，...，p，t=1，2，...，p；HMM是对语音信号的时间序列结构建立统计模型，将之看作一个数学上的双重随机过程：一个是用具有有限状态数的Markov链来模拟语音信号统计特性变化的隐含的随机过程，另一个是与Markov链的每一个状态相关联的观测序列的随机过程。基坑降水工程的环境效应与评价方法bj=f（sj） j=1，2，...，p （4.5）（5）利用中间层的输出bj、连接权vjt和阈值γt计算输出层各单元的输出Lt，然后通过传递函数计算输出层各单元的响应Ct。

参与评论您还未登录，请先登录后发表或查看评论

tdnnf浅解

chenxi910911的博客

09-23

3151

１．限制参数矩阵是半正交矩阵 1.1 Basic case 半正交矩阵Ｍ, P=MM(转置) 1.2 Scaled case 设置scale=a;　矩阵Ｍ是半正交矩阵按比例缩小版目的：是为了辅助floating case 更新方式：一是，根据公式进行更新α =pow(tr (PP(转置))/tr§,1/2)；二是，直接利用P的对角元素的平均值的平方根，这种方式可以很简单地在损失函数后加一项，但会...

语音识别——TDNN时延神经网络

热门推荐

qq_14962179的博客

02-28

2万+

参考：http://www.inf.ed.ac.uk/teaching/courses/asr/lectures-2019.html https://blog.csdn.net/richard2357/article/details/16896837 https://zhuanlan.zhihu.com/p/28283265 相当于CNN的前身，相当于1dcnn,即一维CNN。它的共享权重被限制在...

语音识别学习记录 [TDNN时延神经网络]

emmmmmm

07-29

3675

最近了解了卷积神经网络（CNN），CNN是受语音信号处理中时延神经网络（TDNN）影响而发明的。本篇的大部分内容都来自关于TDNN原始文献Waibel A, Hanazawa T, Hinton G, et al. Phoneme recognition using time-delay neural networks[J] （TDNN的原始论文）的理解和整理。该文写与1989年，在识别"B", ...

Factorized TDNN（因子分解TDNN，TDNN-F）

weixin_30551963的博客

12-19

569

论文 Povey, D., Cheng, G., Wang, Y., Li, K., Xu, H., Yarmohamadi, M., & Khudanpur, S. (2018). Semi-orthogonal low-rank matrix factorization for deep neural networks. In Proceedings of the 19th Annu...

ECAPA-TDNN：语音识别的新星，强大的深度学习模型

gitblog_00089的博客

04-17

1859

ECAPA-TDNN：语音识别的新星，强大的深度学习模型 ECAPA-TDNN项目地址:https://gitcode.com/gh_mirrors/ec/ECAPA-TDNN 在人工智能领域，尤其是在语音识别和说话人验证中，是一个值得关注的开源项目。它基于深度学习架构，旨在提高系统性能并提供更准确的语音处理能力。项目简介 ECAPA-TDNN（Efficient CAPacity Arch...

基于TDNN_FSMN的蒙古语语音识别技术研究_王勇和.pdf

09-20

本研究旨在通过结合时延神经网络（TDNN）和前馈序列记忆网络（FSMN）来提高蒙古语语音识别的准确率。首先，TDNN作为一种专门针对语音信号处理的网络结构，能够有效地捕捉时间序列数据中的特征。它的设计思想是在...

人工智能-语音识别-基于迁移学习的喀尔喀蒙古语语音识别声学建模.pdf

06-28

实验结果表明，基于TDNN的链式声学模型可以提高喀尔喀蒙古语语音识别系统的性能，词错误率降低了63%。本文基于迁移学习的喀尔喀蒙古语语音识别声学模型可以提高喀尔喀蒙古语语音识别系统的性能，解决低资源语音...

TDNN时延神经网络---TDNN-F

weixin_44885180的博客

04-15

9038

1.TDNN时延神经网络转近来在了解卷积神经网络（CNN），后来查到CNN是受语音信号处理中时延神经网络（TDNN）影响而发明的。本篇的大部分内容都来自关于TDNN原始文献【1】的理解和整理。该文写与1989年，在识别"B", “D”, "G"三个浊音中得到98.5%的准确率，高于HMM的93.7%。是CNN的先驱。普通神经网络识别音素在讲TDNN之前先说说一般的神经网络的是怎样识别音素的吧。假设要识别三个辅音"B", “D”, “G”，那么我们可以设计这样的神经网络：图1 其中输入0-12代表每

语音识别基本原理 Fundamentals of Speech Recognition.pdf

11-10

质量一般吧，不过第6章关于HMM的部分比较详细，作者之一便是Lawrence Rabiner；

推荐文章：ECAPA-TDNN —— 强大的语音识别利器

最新发布

gitblog_00798的博客

08-08

359

LDA，PCA算法

todayq的专栏

11-08

2119

红色的方形的点为0类的原始点、蓝色的方形点为1类的原始点，经过原点的那条线就是投影的直线，从图上可以清楚的看到，红色的点和蓝色的点被原点明显的分开了，这个数据只是随便画的，如果在高维的情况下，看起来会更好一点。下面我来推导一下二分类LDA问题的公式：假设用来区分二分类的直线（投影函数)为： LDA分类的一个目标是使得不同类别之间的距离越远越好，同一类别之中的距离越近越好

SVD模型裁剪 TDNN-f

qq_14962179的博客

02-27

1705

论文:Daniel Povey 2018年论文， Simi-Orthogonal Low-Rank Matrix Factorization for Deep Neural Networks 半正定低秩矩阵分解DNN 摘要： TDNN又被称为1维CNN(1dCNNS)。本文提出的TDNN-F，结构与经过SVD分解的TDNN相同。但TDNN-F的训练开始于随机初始化，SVD分解后，其中一个矩阵被限制...

kaldi mobvoihotwords 唤醒词识别教程

qq_43744723的博客

10-29

3452

kaldi_mobvoihotwords唤醒词识别教程作者：关林生邮箱：wuxie6424@gmail.com 如果有问题，可以email我。本教程分为三个部分：一是如何在ubuntu安装配置kaldi。二是如何用kaldi的例子mobvoihotwords训练出模型，然后用训练出来的模型测试一条指定的语音是不是唤醒词“嗨小问”。三是用其他的已经训练好的模型来测试指定的语音是不是唤醒词。需要修改代码。四是可能遇到的问题一．是如何在ubuntu安装配置kaldi？ 1.安装git。如果使用gi

TDNN模型及其改进模型的理解

nwnu_908的博客

04-21

5843

　　　　时延神经网络（TDNN）相当于CNN的前身，相当于1dcnn即一维CNN,它的共享权重被限制在单一的维度上，并且没有池化层，适用于语音和时间序列的信号处理。TDNN区别于只用了一帧特征的模型结构，是一个能够包含多帧的神经网络，若延时为2，则连续的3帧都能够出现，这里的隐含层用于特征抽取，若输入层每一帧有13维MFCC特征输入，网络有10个隐含层，那么连接的权重数目即为3*13*10=390个。此时延时神经网络相当于把权重延时，隐藏层和输出层之间若采用该方法，这样整体的权重就大大减少,便于训练．

使用kaldi中的x-vector在aishell数据库上建立说话人识别系统

qq_27182145的博客

11-04

3519

使用kaldi中的x-vector在aishell数据库上建立说话人识别系统写在前面整个系统可以分为三个部分，第一，前端预处理部分，主要包括mfcc特征提取，VAD，数据扩充（增加混响、增加不同类型的噪声）等；第二，基于TDNN的特征提取器，该结构生成说话人表征，说话人表征也可以被称为embedding、x-vector；第三，后端处理，对于说话人表征，采用LDA进行降维并训练PLDA模型对测试对进行打分。 x-vector的论文发表在ICASSP 2018，kaldi的核心开发者Daniel Pove

干货：NIST评测（SRE19）获胜团队声纹识别技术分析

weixin_44298602的博客

01-06

2801

NIST评测（SRE19）获胜团队声纹识别技术分析近日，NIST声纹识别评测（SRE19）正式公布榜单，清微智能科技公司和清华大学等机构和大学组成的联队，在CTS（声纹）和VAST（多媒体）两个任务上均取得全球前十，亚洲地区第一的好成绩。 NIST SRE是由美国国家标准与技术研究院主办的国际上最权威、规模最大的声纹识别技术评测和多媒体评测，为全球的研究机构提供了一个统一的测试平台，旨在提升文本...

nnet3 TDNN chunk, left-context, right-context

weixin_30326515的博客

12-19

248

chunk-width 数据块的宽度 NnetIo name=="input" indexes，left-context+num-frame+right-context=5+7+6=18维 features，18*39=702维 NnetIo name="output" indexes，7维，即chunk-width features，7*2968维，2968为...