[发明专利]一种基于命令词语音识别的易混淆词防误识别方法

权利要求书

1.一种基于命令词语音识别的易混淆词防误识别方法，其特征在于，包括如下步骤：

S1. 采集易混淆词与非易混淆词等量的音频数据作为音频数据集，对音频数据分类并设置原始分类标签；并提取音频数据的原始梅尔特征作为二次鉴别器训练数据；

S2.搭建二次鉴别器模型，模型包括编码器、解码器和多维鉴别器；并初始化设置编码器，解码器以及多维鉴别器的模型参数；

所述多维鉴别器包括多个并行的一维卷积层及与其连接的最大池化层，多个最大池化层的输出端连接拼接层，所述拼接层连接线性层，线性层连接归一化指数函数层；

所述一维卷积层的卷积核尺寸为A*B，多维鉴别器各个一维卷积层卷积核的第一尺寸A相等，第二尺寸B不等；

以步骤S1得到的训练数据输入编码器网络进行训练，用L作为二次鉴别器模型的损失，训练模型直至模型收敛，完成训练；

其中L为总损失函数，L= L_mel+L_f；

L_mel，L_f分别为梅尔损失和分类目标损失；

----①

其中m为梅尔特征的总维度，n为梅尔特征的总帧数，a为解码器输出的梅尔特征，b为真实的梅尔特征，即步骤S1中的原始梅尔特征，①式中下标i,j分别表示梅尔特征维度和帧数；

----②

L_f为分类目标损失，其中k为分类类别总数，x为鉴别器输出的分类概率，y为真实分类目标，即步骤S1中的音频数据分类，②式中下标i表示不同的分类类别； i表示鉴别器输出的第i个分类；

所述S1步骤具体为：

S11.采集易混淆词与非易混淆词等量的音频数据作为音频数据集，并对音频进行加噪加混响的数据扩充, 数据扩充是对原始音频加入不同大小的噪音和混响形成新的音频，扩充后的数据为原始音频数量的10倍-20倍；

S12.将音频数据集数据进行分类标签，易混淆词音频中相同词采用同一标签，不同词用不同标签，所有非易混淆词使用同一标签，生成one-hot目标向量；

S13.提取音频数据集中所有音频数据的原始梅尔特征；

所述编码器的主要作用是将原始梅尔特征进行降维，将高维度的原始梅尔特征转化为到低维特征输入解码器和多维鉴别器；

所述解码器是将编码器降维之后的低维特征升维到原始梅尔特征的高维维度得到预测梅尔特征，以真实的梅尔特征作为目标减小预测梅尔特征与真实梅尔特征的差距，更新编码器以及解码器参数来确保编码器降维后的特征损失达到最小。

2.如权利要求1所述的基于命令词语音识别的易混淆词防误识别方法，其特征在于，所述编码器由三层以上线性层组成，激活函数为Tanh函数。

3.如权利要求1所述的基于命令词语音识别的易混淆词防误识别方法，其特征在于，所述解码器由三层以上线性层组成，激活函数为Tanh函数，最后一个线性层直接输出。