电信技术论文_基于自监督知识迁移的鲁棒性语音 - 装备维修技术杂志社投稿

来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。一、投稿方式： 1、请从我刊官网直接投稿。 2、请从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。二、稿件著作权： 1、投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、第5条所述之网络是指通过我刊官网。 7、投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。

电信技术论文_基于自监督知识迁移的鲁棒性语音

作者:

关键词:

摘要：

文章摘要:针对标注神经网络训练数据的成本日益高昂与噪声干扰阻碍语音识别系统性能提升的问题，提出一种基于自监督知识迁移的鲁棒性语音识别模型训练算法。首先，预处理阶段提取原始语音样本的三个人工特征；然后，训练阶段将特征提取网络生成的高级特征分别通过三个浅层网络来拟合预处理阶段提取的人工特征；同时，与语音识别后端进行交叉训练，而后合并损失函数。最后，通过梯度反向传播令特征提取网络学会提取更有助于去噪语音识别的高级特征，实现人工知识迁移与去噪，从而高效利用了训练数据。在军事装备控制的应用场景下，基于加噪后的THCH30,AISHELL-1与ST-CMDS三个开源中文语音识别数据集以及内部装备控制指令数据集进行测试，其词错率可以降低到0.12。实验结果表明，所提方法不仅可以实现鲁棒性语音识别模型的训练，同时通过自监督知识迁移提高了训练样本的利用率，可完成装备控制任务。

文章关键词:

项目基金:《装备维修技术》网址: http://www.zbwxjs.cn/qikandaodu/2021/0929/1748.html