《表1 不同Q和α情况稀疏度及WER的变化》

  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

《一种改进的DNN瓶颈特征提取方法》

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

其中，D表示一层神经元个数，hi（i=1，2，…，D）表示神经元，由式（9）可知稀疏度的区间为[0，1]，稀疏度越大表示该隐含层中神经元越稀疏，即权值为0的神经元个数越多。对于每个模型，首先使用训练集对模型进行训练，得出每一层神经元中的激活概率，然后将其代入式（9）中即可计算出该层的稀疏度，最后，计算出所有隐含层稀疏度的平均值作为整个神经网络的稀疏度[16]。重叠组套索稀疏DNN中不同Q和α情况稀疏度及词错误率（Word Error Rate，WER）的变化如表1所示。