Tone Classification in Mandarin Chinese using Convolutional Neural Networks翻译

1. Introduction

  用CNN网络实现了中文发音的四种声调检测，比简单基于基频(F0)判断效果更好。中文里面有四声，各有特点。一声高且平，二声上升，三声先降后升，四声一直降。

  图一测试的是/yi/。第一行就是四种声调的波形图。中间是语谱图(spectrograms)，以及下面的梅尔倒频谱参数(MFCCs)。/yi/这个声调在“一”“姨”“椅”“艺”中分别是一二三四四种声调。
  （论文此处说了一堆别人方法的不足），总的来说，噪声对基于基频的方法的影响大，而且该方法在单音节的词上面效果不好。作者用了无监督的特征学习方法，分别使用了去噪自动编码器和稀疏自动编码器(denoising and sparse autoencoders)作为卷积层的kernel，通过max-pooling降采样，之后通过一个softmax分类器。准确度最高为95.5%，比使用基频的方法改进了很多。

2. The Tone Classification Model

  预处理过程中获得MFCC向量。然后用去噪自编码器作为核心来卷积，max-polling之后作为分类器的输入。为了对比，也设计了直接使用pooling后的MFCC向量作为分类器输入网络，结构如下。

CNN的结构