典型文献
语音识别中的DenseNet模型研究
文献摘要：
为了解决语音识别中由网络加深导致的低层特征消失、参数量大及网络训练困难的问题,基于Inception V3网络的非对称卷积思想,提出了一种改进的密集连接卷积神经网络(densely connected convolutional neural networks,DenseNet)模型.根据语音识别的长时相关性,通过密集连接块建立起不同层之间的连接关系,从而保存低层特征、加强特征传播;为了得到尺度更丰富的声学特征,将卷积核的范围进行扩大;利用非对称卷积思想分解卷积核,以减少参数量.实验结果表明,相较经典深度残差卷积神经网络模型和原始DenseNet模型,提出的模型在THCHS30数据集上的语音识别性能更好,在保证识别率的情况下,还减少了网络参数量,提高了模型训练效率.
文献关键词：
语音识别;非对称卷积;训练效率;卷积神经网络
中图分类号：
作者姓名：
刘想德;王芸秋;蒋勤;张毅;何翔鹏
作者机构：
重庆邮电大学 先进制造工程学院,重庆400065;重庆邮电大学 计算机科学与技术学院,重庆400065
文献出处：
引用格式：
[1]刘想德;王芸秋;蒋勤;张毅;何翔鹏-.语音识别中的DenseNet模型研究)[J].重庆邮电大学学报（自然科学版）,2022(04):604-611
A类：
THCHS30
B类：
语音识别,DenseNet,低层,参数量,网络训练,Inception,V3,非对称卷积,密集连接卷积神经网络,densely,connected,convolutional,neural,networks,过密,连接块,特征传播,了得,声学特征,卷积核,分解卷积,残差卷积神经网络,卷积神经网络模型,识别性,识别率,网络参数,模型训练,训练效率
AB值：
0.390792
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
