您的当前位置:全部分类图书 > 计算机网络 > 人工智能

语音识别实践(解析深度学习)

定 价
售 价
配送至
收货地址
其他地址
数量
-
+
服务
  • 出版社:电子工业
  • ISBN:9787121287961
  • 作者:(美)俞栋//邓力|译者:俞凯//钱彦旻
  • 页数:290
  • 出版日期:2016-07-01
  • 印刷日期:2016-07-01
  • 包装:平装
  • 开本:16开
  • 版次:1
  • 印次:1
  • 字数:378千字
  • 俞栋、邓力著的《语音识别实践(解析深度学习
    )》是首部介绍语音识别中深度学习技术细节的专著
    。全书首先概要介绍了传统语音识别理论和经典的深
    度神经网络核心算法。接着全面而深入地介绍了深度
    学习在语音识别中的应用,包括“深度神经网络-隐
    马尔可夫混合模型”的训练和优化,特征表示学习、
    模型融合、自适应,以及以循环神经网络为代表的若
    干先进深度学习技术。
    本书适合有一定机器学习或语音识别基础的学生
    、研究者或从业者阅读,所有的算法及技术细节都提
    供了详尽的参考文献,给出了深度学习在语音识别中
    应用的全景。
  • 作者及译者简介
    译者序

    前言
    术语缩写
    符号
    1 简介
    1.1 自动语音识别:*好的沟通之桥
    1.1.1 人类之间的交流
    1.1.2 人机交流
    1.2 语音识别系统的基本结构
    1.3 全书结构
    1.3.1 **部分:传统声学模型
    1.3.2 第二部分:深度神经网络
    1.3.3 第三部分:语音识别中的DNN-HMM混合系统
    1.3.4 第四部分:深度神经网络中的特征表示学习
    1.3.5 第五部分:**的深度模型

    **部分 传统声学模型
    2 混合高斯模型
    2.1 随机变量
    2.2 高斯分布和混合高斯随机变量
    2.3 参数估计
    2.4 采用混合高斯分布对语音特征建模
    3 隐马尔可夫模型及其变体
    3.1 介绍
    3.2 马尔可夫链
    3.3 序列与模型
    3.3.1 隐马尔可夫模型的性质
    3.3.2 隐马尔可夫模型的仿真
    3.3.3 隐马尔可夫模型似然度的计算
    3.3.4 计算似然度的高效算法
    3.3.5 前向与后向递归式的证明
    3.4 期望*大化算法及其在学习HMM参数中的应用
    3.4.1 期望*大化算法介绍
    3.4.2 使用EM算法来学习HMM参数——Baum-Welch算法
    3.5 用于解码HMM状态序列的维特比算法
    3.5.1 动态规划和维特比算法
    3.5.2 用于解码HMM状态的动态规划算法
    3.6 隐马尔可夫模型和生成语音识别模型的变体
    3.6.1 用于语音识别的GMM-HMM模型
    3.6.2 基于轨迹和隐藏动态模型的语音建模和识别
    3.6.3 使用生成模型HMM 及其变体解决语音识别问题

    第二部分 深度神经网络
    4 深度神经网络
    ……
    5 **模型初始化技术

    第三部分 语音识别中的深度神经网络-隐马尔可夫混合模型
    6 深度神经网络–隐马尔可夫模型混合系统
    7 训练和解码的加速
    8 深度神经网络序列鉴别性训练

    第四部分 深度神经网络中的特征表示学习
    9 深度神经网络中的特征表示学习
    10 深度神经网络和混合高斯模型的融合
    11 深度神经网络的自适应技术

    第五部分 **的深度学习模型
    12 深度神经网络中的表征共享和迁移
    13 循环神经网络及相关模型
    14 计算型网络
    15 总结及未来研究方向

    参考文献
  • 内容提要
  • 目录