李 明，徐海青，吳立剛，浦正國

（1.國網(wǎng)安徽省電力有限公司信息通信分公司，安徽合肥 230000；2.安徽繼遠軟件有限公司，安徽 合肥 230000）

1 引言

傳統(tǒng)的語音識別技術(shù)是基于混合高斯模型和隱馬爾科夫模型（GMM-HMM），隨著深度學(xué)習(xí)的興起，一些深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)開始被應(yīng)用到語音識別中,在聲學(xué)模型和語言模型的訓(xùn)練中不斷地引入DNN、CNN、RNN不同網(wǎng)絡(luò)結(jié)構(gòu)以及不同的激活函數(shù)，2015年DNN-HMM研究中發(fā)現(xiàn)將DNN神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)換成修正的線性單元（ReLU）函數(shù)可以獲得更好的效果[1-2]。隨后，2015年基于ReLU函數(shù)的DNN神經(jīng)網(wǎng)絡(luò)研究中發(fā)現(xiàn)，可以通過合理的參數(shù)設(shè)置，采用大批量的隨機梯度下降算法，然后利用多GPU同時訓(xùn)練，大大縮減了訓(xùn)練的時間[3-4]。

除了DNN和CNN神經(jīng)網(wǎng)絡(luò)外，人們還引入了循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）來解決長時時序相關(guān)性的建模問題，同時研究報道基于雙向LSTM語音聲學(xué)模型系統(tǒng)可以獲得比基于DNN系統(tǒng)超過20%的性能提高[5]。

本文提出一種將基于PReLU激活函數(shù)的DNN神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)結(jié)合的混合神經(jīng)網(wǎng)絡(luò)，并通過訓(xùn)練和識別的實驗證明新型的混合神經(jīng)網(wǎng)絡(luò)不僅在訓(xùn)練時間上表現(xiàn)的很好，在識別準確率方面也有很大的提升。

2 基于PReLU的DNN-LSTM混合神經(jīng)網(wǎng)絡(luò)

針對DNN神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)的特性，設(shè)計一種基于DNN神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)的混合神經(jīng)網(wǎng)絡(luò)，并將該混合神經(jīng)網(wǎng)絡(luò)應(yīng)用在語音識別方向上。通過混合神經(jīng)網(wǎng)絡(luò)和單一DNN神經(jīng)網(wǎng)絡(luò)以及LSTM神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時間和識別準確率方面的對比來驗證改進的混合神經(jīng)網(wǎng)絡(luò)的性能。

圖1 混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

如圖1所示，混合神經(jīng)網(wǎng)絡(luò)是由3層的LSTM神經(jīng)網(wǎng)絡(luò)做底層，每層神經(jīng)網(wǎng)絡(luò)包含512個節(jié)點；在高層上用了包含3層的DNN神經(jīng)網(wǎng)絡(luò)，每層的神經(jīng)網(wǎng)絡(luò)都包含1024個節(jié)點。對于DNN神經(jīng)網(wǎng)絡(luò)，可以選取多種激活函數(shù)，但是對于LSTM神經(jīng)網(wǎng)絡(luò)，激活函數(shù)只能選擇tanh函數(shù)和Sigmoid函數(shù)，因為LSTM中存在邏輯門，所以ReLU系列函數(shù)不能滿足要求。這里設(shè)計的LSTM神經(jīng)網(wǎng)絡(luò)用的激活函數(shù)為Sigmoid函數(shù)，DNN神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)取PReLU函數(shù)，與之對比的是用了Sigmoid函數(shù)的DNN和LSTM混合神經(jīng)網(wǎng)絡(luò)以及單獨用了3層深度神經(jīng)網(wǎng)絡(luò)的DNNHMM模型和單獨用了3層的LSTM神經(jīng)網(wǎng)絡(luò)。LSTM神經(jīng)網(wǎng)絡(luò)中有記憶單元，可以記錄很長的歷史信息；而DNN神經(jīng)網(wǎng)絡(luò)可以很有效提取數(shù)據(jù)中的高層次信息的特征，從而提高分類精度。

3 實驗

本文基于THCHS30數(shù)據(jù)庫進行測試，THCHS30數(shù)據(jù)庫是2015年清華大學(xué)語音語言技術(shù)中心發(fā)布的，數(shù)據(jù)庫中有超過1000條句錄音文本，包括50個說話人的35小時的語音數(shù)據(jù)，數(shù)據(jù)庫內(nèi)容大部分來自新聞?wù)Z料，涵蓋了各種語音。實驗采用的操作系統(tǒng)是Windows7專業(yè)版，CPU為Intel i7-6700，主頻為 3.4GHz，內(nèi)存為 16GB。

圖2 五種神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間和準確率

圖中D1表示基于Sigmoid激活函數(shù)的DNN神經(jīng)網(wǎng)絡(luò)，D2表示基于PReLU激活函數(shù)的DNN神經(jīng)網(wǎng)絡(luò)，LH表示的是LSTM神經(jīng)網(wǎng)絡(luò)。M1表示基于Sigmoid激活函數(shù)的DNN和LSTM混合神經(jīng)網(wǎng)絡(luò)，M2表示基于PReLU激活函數(shù)的DNN和LSTM混合神經(jīng)網(wǎng)絡(luò)。發(fā)現(xiàn)采用的混合型神經(jīng)網(wǎng)絡(luò)結(jié)合并發(fā)揚了兩種神經(jīng)網(wǎng)絡(luò)的優(yōu)點，擁有更快的訓(xùn)練速度和更高的準確率，兩種混合神經(jīng)網(wǎng)絡(luò)都比單一的神經(jīng)網(wǎng)絡(luò)有更好的訓(xùn)練效果，其中效果最好的DNN（PReLU）-LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度比單一的LSTM神經(jīng)網(wǎng)絡(luò)快47.8%，同時準確率比單一的LSTM神經(jīng)網(wǎng)絡(luò)高8.6%。

圖3 五種神經(jīng)網(wǎng)絡(luò)的識別準確率

圖3是識別的結(jié)果，可以看出識別準確率最高的是兩種混合神經(jīng)網(wǎng)絡(luò)，混合神經(jīng)網(wǎng)絡(luò)中DNN神經(jīng)網(wǎng)絡(luò)用的PReLU激活函數(shù)的要比DNN神經(jīng)網(wǎng)絡(luò)用Sigmoid激活函數(shù)的準確率高，和兩種單一的DNN神經(jīng)網(wǎng)絡(luò)對比結(jié)果類似。五種混合神經(jīng)網(wǎng)絡(luò)中基于PReLU激活函數(shù)的DNN和LSTM混合神經(jīng)網(wǎng)絡(luò)DNN（PReLU）-LSTM識別準確率較單一基于Sig－moid激活函數(shù)的DNN神經(jīng)網(wǎng)絡(luò)提高10.8%。

具體的實驗數(shù)據(jù)見表1。

表1 五種神經(jīng)網(wǎng)絡(luò)實驗的結(jié)果

4 結(jié)論

本文通過對DNN、LSTM等神經(jīng)網(wǎng)絡(luò)和激活函數(shù)的研究，提出一種基于PReLU激活函數(shù)的DNN-LSTM混合神經(jīng)網(wǎng)絡(luò)。語音識別的訓(xùn)練和識別實驗表明混合神經(jīng)網(wǎng)絡(luò)繼承并發(fā)揚了兩種神經(jīng)網(wǎng)絡(luò)的優(yōu)點，具有更快的訓(xùn)練速度和更高的識別準確率，這為以后語音識別的研究提供了一種新思路。