基于改进卷积神经网络算法的语音识别

为了解决传统卷积神经网络识别连续语音数据时识别性能较差的问题，提出一种改进的卷积神经网络算法。该方法引入Fisher准则以及L2正则化约束，在反向传播调整参数阶段，既保证参数误差的最小化，又确保分类以后的样本类间分布较分散，类内分布较集中，同时保证网络权值具有合适的数量级以有效缓解过拟合问题；采用一种更符合生物神经元激活特性的新型log激活函数进行卷积神经网络的优化，进一步提高语音识别的正确率。在语音识别库TIMIT以及THCHS30上的实验结果表明，相较于传统卷积神经网络算法，本文提出的改进算法能较好的提高语音识别率，且泛化能力更强。