《表2 不同模型的辨识率比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于改进的长短期记忆神经网络方言辨识模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从实验结果表2中可以看到滑窗宽度选择1 500时，RNN和改进的LSTM模型识别的正确率都分别高于选择其他的滑窗宽度值时模型识别的正确率。对于选择相同的滑窗宽度，改进的LSTM模型识别的正确率均高于RNN。从图7中交叉验证结果可以看出，滑窗宽度相同时加口头禅的训练数据训练的模型RNN和改进的LSTM的识别正确率分别高于用不加口头禅的训练数据训练的模型。当滑窗宽度选择1 500时，用加口头禅的训练数据训练的改进的LSTM模型的识别正确率最高（92.824 9%）。由于LSTM能解决长期的依赖问题，避免RNN回传梯度时可能发生的梯度爆炸或梯度消失，非常适合用于处理与时间序列高度相关的问题。由于每个用于训练的语音样本后面加上了相应的地区口头禅，所以训练完成的改进的LSTM对方言中的地区口头禅非常敏感，只要用于验证的方言样本中出现地区口头禅，模型对方言样本的辨别的正确率会大大增加。