使用遞迴神經網路做中文單字音辨認

Abstract

遞迴神經網路 (Recurrent Neural Network) 具有 "回饋 (feedback)" 與 " 馬可夫鏈 (markov chain)" 的特質，我們預期它能模擬語音信號的 連續動態變化， 並充份利用前後信號間的關聯性， 因此希望能將它應用 在中文語音辨認上。 所以我們在本論文中，首先探討訓練方法，說明傳 統方法在準則上，要設目標函數 (target function) 的缺陷， 與只能靠 經驗設計目標函數的困難，改而提出用廣義機率遞減法則 (Generalized Probabilistic Descent Algorithm) 當準則，利用競 爭方式自動學習，避開設目標函數的煩人問題，並得到較佳的效果。 最 後在聲母韻母兩段模型上， 以串列式 (sequential) 神經網路為基礎， 發展出並聯式 (shunt) 遞迴神經網路，純粹以類神經網路架構，同時做 到切音與加權，並使用 GPD 方法訓練成功，在辨認 54 個易混淆音上 ， 獲得比隱藏式馬可夫模型法高 6%的辨認率 (73.54%) ， 作為邁向大 字彙的初步嘗試。