论文部分内容阅读
本文提出了一种深度神经网络(DNN)的自适应方法,称为隐变量子空间(HVS)方法,提高不同声学环境下(如扬声器,噪声等)的鲁棒性.在建议方法中,为避免条件不匹配,估计了一组参数,以适应HVS中DNN的隐含层权重.然后这些参数通过一组新的自适应训练的权重连接到不同层.本文对语言识别任务中的隐藏变异性学习方法进行了评价,并通过对参数的判别估计,得到显著的性能增益,弥补训练模型的不匹配.