CN112133290A - 一种针对民航陆空通话领域的基于迁移学习的语音识别方法 - Google Patents

一种针对民航陆空通话领域的基于迁移学习的语音识别方法 Download PDF

Info

Publication number
CN112133290A
CN112133290A CN201910571280.4A CN201910571280A CN112133290A CN 112133290 A CN112133290 A CN 112133290A CN 201910571280 A CN201910571280 A CN 201910571280A CN 112133290 A CN112133290 A CN 112133290A
Authority
CN
China
Prior art keywords
model
civil aviation
training
data set
field
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910571280.4A
Other languages
English (en)
Inventor
杨群
孙修松
刘绍翰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201910571280.4A priority Critical patent/CN112133290A/zh
Publication of CN112133290A publication Critical patent/CN112133290A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
    • G10L15/142—Hidden Markov Models [HMMs]
    • G10L15/144—Training of HMMs
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/04—Segmentation; Word boundary detection
    • G10L15/05—Word boundary detection
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Telephonic Communication Services (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开一种针对民航陆空通话领域的基于迁移学习的语音识别方法。方法包括：收集通用数据集和迁移数据集并做数据处理；初始化神经网络，采用时延神经网络‑隐马尔可夫模型作为声学训练模型；使用通用数据集进行语音识别训练，得到中文语音识别通用声学模型；对所述迁移数据集在通用中文语音识别模型上进行训练并调整参数，得到民航陆空通话领域中文语音识别声学模型；扩充民航领域文本语料，生成语言模型。发明的基于迁移学习的方法能有效利用该领域外的数据，相较于普通声学模型识别效果有很大提高。采用本发明的方法能够解决民航陆空通话领域中文语料不足的问题，提高民航陆空通话的准确性。

Description

一种针对民航陆空通话领域的基于迁移学习的语音识别方法
技术领域
本发明涉及迁移学习领域，特别是涉及一种针对民航陆空通话领域的基于迁移学习的语音识别方法。
背景技术
近年来，国民经济的发展促进了我国民航事业不断发展，在航班数量明显增加的同时也对民航安全提出了新的考验。民航陆空对话作为飞行员与空中交通管制员(后简称“管制员”) 一种重要的通信方式，得到了前所未有的重视。从民航陆空对话方式来看，在现役的民航通信设备的基础上，为使航空器安全、高效地运行，管制员和飞行员必须准确、清晰地理解双方的语音意图，从而保证导航指令准确无误地得到传递。因此，长期以来，管制员指令下达标准与否以及管制员和飞行员之间的地空语音对话内容是否相互一致是一个直接关系航空器的飞行安全的重大问题。如何更好的保持地空对话，也成为关系民航事业发展的关键一步。
在所有民航事故中，由于陆空对话失误产生的安全事故举不胜举。例如2010年发生在德国的的乌伯林根空难，该次空难共造成71人死亡。事故调查结果显示，导致此次空难发生的最主要原因是陆空对话错误，具体包括用语不规范、飞行员理解失误等方面。在我国，1993年发生在新疆乌鲁木齐机场的一次事故至今令人心有余悸，管制员发出高度表拨正值指令，而飞行员错误的把它当作高度值处理，最终导致机毁人亡的惨剧。事后调查发现，管制员通话用语不规范、飞行员错误理解也是此次飞行空难的主要诱因。
为减少陆空对话错误，国际民航组织及各国民航管理机构虽然不断改进陆空对话的标准，但由陆空对话失误导致的飞行事故及事故症候仍不断发生。由此可见，加强陆空对话内容的智能校验技术的研究对减少飞行事故和事故征候具有重大、迫切的现实意义。
发明内容
本发明的目的是提供一种针对民航陆空通话领域的基于迁移学习的语音识别方法，提高民航陆空通话的准确性。
为实现上述目的，本发明提供了如下方案：
收集通用数据集和迁移数据集并做数据处理。
初始化神经网络，采用时延神经网络-隐马尔可夫模型作为声学训练模型。
使用通用数据集进行语音识别训练，得到中文语音识别通用模型。
对所述迁移数据集在通用中文语音识别模型上进行训练并调整参数，得到民航陆空通话领域中文语音识别模型。
扩充民航领域文本语料，生成语言模型。
可选的，收集通用数据集和迁移数据集并做数据处理，具体包括：
选取语料充足的通用中文语料库；
对语料库中语音进行端点检测并切除语音首尾的静音部分；
对语料库中语音文件进行数据增强，进一步扩大语料库；
对剩下的包含人声的语料进行语音信号预加重及傅里叶变换等操作提取语音信号的梅尔频率倒谱特征向量。
训练声学特征高斯混合模型，并将特征向量与对应音素对齐。
可选的，初试化神经网络，采用时延神经网络-隐马尔可夫模型作为声学训练模型，具体包括：
选择合适的神经网络激活函数。
配置相应的神经网络隐层以防止过拟合现象的产生。
可选的，从预训练模型和目标模型中找到共享的参数信息，以实现模型迁移，具体包括：
给出训练集
Figure RE-GSB0000183737850000021
来自于通用中文语音数据集，Ds表示有标签源领域数据，xi表示输入特征，yi表示特征对应标签数据。Ds服从于某种数据分布Ps(x，y)。通过预训练确定神经网络权值矩阵Ws，得到预训练模型。
给出迁移学习数据集
Figure RE-GSB0000183737850000022
来自于民航陆空通话领域中文语音数据集。将输入特征及对应标签数据在预训练模型上进行迁移训练，以最小化损失函数为目标调整神经网络权值矩阵Ws，得到新权值矩阵Wt及最终模型。
可选的，根据民航陆空通话领域语料，生成领域内专用语言模型，具体包括：
根据所述民航陆空通话领域文本语料生成大量文本语料以训练语言模型。
训练所述文本语料，统计词与词之间同时出现概率，生成民航陆空通话领域语言模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种针对民航陆空通话领域的基于迁移学习的语音识别方法。方法包括：收集通用数据集和迁移数据集并做数据处理；初试化神经网络，采用时延神经网络-隐马尔可夫模型作为声学训练模型；使用通用数据集进行语音识别训练，得到中文语音识别通用声学模型；对所述迁移数据集在通用中文语音识别模型上进行训练并调整参数，得到民航陆空通话领域中文语音识别声学模型；扩充民航领域文本语料，生成语言模型。发明的基于迁移学习的方法能有效利用该领域外的数据，相较于普通声学模型识别效果有很大提高。采用本发明的方法能够解决民航陆空通话领域中文语料不足的问题，提高民航陆空通话的准确性。此外，本发明还能有效提高陆空通话沟通效率，对减少陆空安全事故具有重大的意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例针对民航陆空通话领域的基于迁移学习的语音识别方法流程图；
图2为本发明实施例针对民航陆空通话领域的迁移学习原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例针对民航陆空通话领域的基于迁移学习的语音识别系统方法流程图。如图1所示，一种针对民航陆空通话领域的基于迁移学习的语音识别方法，所述识别方法包括：
步骤101：收集通用数据集和迁移数据集并做数据处理，具体包括：
获取通用语音数据及陆空通话语音数据，及对应文本标注。
获取语音文件对应说话人编号。
按指定格式整理好数据。
对语料库中语音进行端点检测并切除语音首尾的静音部分。
对语料库中语音文件进行数据增强，进一步扩大语料库。
对剩下的包含人声的语料进行语音信号预加重及傅里叶变换等操作提取语音信号的特征向量。
训练声学特征高斯混合模型，并将特征向量与对应音素对齐。
步骤102：初始化神经网络，采用时延神经网络-隐马尔可夫模型作为声学训练模型，具体包括：
选择合适的神经网络激活函数。
配置相应的神经网络隐层以防止过拟合现象的产生。
步骤103：将通用数据集进行语音识别训练，得到中文语音识别通用模型。
步骤104：对所述迁移数据集在通用中文语音识别模型上进行训练并调整参数，得到民航陆空通话领域中文语音识别模型，具体包括：
给出训练集
Figure RE-GSB0000183737850000041
来自于通用中文语音数据集，Ds表示有标签源领域数据，xi表示输入特征，yi表示特征对应标签数据。Ds服从于某种数据分布Ps(x，y)。通过预训练确定神经网络权值矩阵Ws，得到预训练模型。
给出迁移学习数据集
Figure RE-GSB0000183737850000042
来自于民航陆空通话领域中文语音数据集。将输入特征及对应标签数据在预训练模型上进行迁移训练，以最小化损失函数为目标调整神经网络权值矩阵Ws，得到新权值矩阵Wt及最终模型。
步骤105：扩充民航领域文本，生成语言模型，具体包括：
根据所述民航陆空通话领域文本语料，生成大量文本语料以训练语言模型。
训练所述文本语料，统计词与词之间同时出现概率，生成民航陆空通话领域语言模型。
图2为本发明实施例针对民航陆空通话领域的迁移学习原理图。如图2所示，具体包括：
源域模型共享参数及非共享参数的学习，主要通过预训练过程得到。
保留模型共享参数，通过目标域数据对共享参数进行训练调整。
迁移学习得到目标域模型。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种针对民航陆空通话领域的基于迁移学习的语音识别方法，所述方法包括：
收集通用数据集和迁移数据集并做数据处理；
初始化神经网络，采用时延神经网络-隐马尔可夫模型作为声学训练模型；
使用通用数据集进行语音识别训练，得到中文语音识别通用模型；
对所述迁移数据集在通用中文语音识别模型上进行训练并调整参数，得到民航陆空通话领域中文语音识别模型；
扩充民航领域文本语料，生成语言模型；
2.根据权利要求1所述的针对民航陆空通话领域的基于迁移学习的语音识别方法，其特征在于收集通用数据集和迁移数据集并做数据处理，具体包括：
获取通用中文语音数据集并做数据风格迁移作为训练数据集；
获取民航陆空通话领域中文语音数据集作为迁移训练数据集；
对所述训练数据集和迁移训练数据集进行指定特征提取，并对所述数据转换得到特征向量；
3.根据权利要求1所述的针对民航陆空通话领域的基于迁移学习的语音识别方法，其特征在于从预训练模型和目标模型中找到共享的参数信息，以实现模型迁移，具体包括：
给出训练集
Figure FSA0000185156920000011
来自于通用中文语音数据集，Ds表示有标签源领域数据，xi表示输入特征，yi表示特征对应标签数据。Ds服从于某种数据分布Ps(x，y)。通过预训练确定神经网络权值矩阵Ws，得到预训练模型；
给出迁移学习数据集
Figure FSA0000185156920000012
来自于民航陆空通话领域中文语音数据集。将输入特征及对应标签数据在预训练模型上进行迁移训练，以最小化损失函数为目标调整神经网络权值矩阵Ws，得到新权值矩阵Wt及最终模型；
4.根据权利要求1所述的针对民航陆空通话领域的基于迁移学习的语音识别方法，其特征在于，根据民航陆空通话领域语料，生成领域内专用语言模型，具体包括：
根据所述民航陆空通话领域文本语料生成大量文本语料以训练语言模型；
训练所述文本语料，统计词与词之间同时出现概率，生成民航陆空通话领域语言模型；
5.根据权利要求1所述的针对民航陆空通话领域的基于迁移学习的语音识别方法，其特征在于，初试化神经网络，采用时延神经网络-隐马尔可夫模型作为声学训练模型，具体包括：
选择合适的神经网络激活函数；
配置相应的神经网络隐层以防止过拟合现象的产生。
CN201910571280.4A 2019-06-25 2019-06-25 一种针对民航陆空通话领域的基于迁移学习的语音识别方法 Pending CN112133290A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910571280.4A CN112133290A (zh) 2019-06-25 2019-06-25 一种针对民航陆空通话领域的基于迁移学习的语音识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910571280.4A CN112133290A (zh) 2019-06-25 2019-06-25 一种针对民航陆空通话领域的基于迁移学习的语音识别方法

Publications (1)

Publication Number Publication Date
CN112133290A true CN112133290A (zh) 2020-12-25

Family

ID=73849493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910571280.4A Pending CN112133290A (zh) 2019-06-25 2019-06-25 一种针对民航陆空通话领域的基于迁移学习的语音识别方法

Country Status (1)

Country Link
CN (1) CN112133290A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113299280A (zh) * 2021-05-12 2021-08-24 山东浪潮科学研究院有限公司 基于Kaldi的专业词汇语音识别方法
CN113380225A (zh) * 2021-06-18 2021-09-10 广州虎牙科技有限公司 语言模型的训练方法、语音识别方法及相关装置
CN115359784A (zh) * 2022-10-21 2022-11-18 成都爱维译科技有限公司 基于迁移学习的民航陆空语音识别模型训练方法及系统
CN116916085A (zh) * 2023-09-12 2023-10-20 飞狐信息技术（天津）有限公司 一种端到端字幕生成方法、装置、电子设备和存储介质
CN117174111A (zh) * 2023-11-02 2023-12-05 浙江同花顺智能科技有限公司 重叠语音检测方法、装置、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1298533A (zh) * 1998-04-22 2001-06-06 国际商业机器公司 用于特殊领域或方言的语音识别器
US20020087314A1 (en) * 2000-11-14 2002-07-04 International Business Machines Corporation Method and apparatus for phonetic context adaptation for improved speech recognition
CN106251859A (zh) * 2016-07-22 2016-12-21 百度在线网络技术（北京）有限公司 语音识别处理方法和装置
CN107154260A (zh) * 2017-04-11 2017-09-12 北京智能管家科技有限公司 一种领域自适应语音识别方法和装置
CN107967916A (zh) * 2016-10-20 2018-04-27 谷歌有限责任公司 确定语音关系
CN108986791A (zh) * 2018-08-10 2018-12-11 南京航空航天大学 针对民航陆空通话领域的中英文语种语音识别方法及系统
CN109003601A (zh) * 2018-08-31 2018-12-14 北京工商大学 一种针对低资源土家语的跨语言端到端语音识别方法
CN109065029A (zh) * 2018-10-10 2018-12-21 内蒙古工业大学 一种小规模语料dnn-hmm声学模型
CN109147772A (zh) * 2018-10-10 2019-01-04 内蒙古工业大学 一种dnn-hmm声学模型参数迁移结构

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1298533A (zh) * 1998-04-22 2001-06-06 国际商业机器公司 用于特殊领域或方言的语音识别器
US20020087314A1 (en) * 2000-11-14 2002-07-04 International Business Machines Corporation Method and apparatus for phonetic context adaptation for improved speech recognition
CN106251859A (zh) * 2016-07-22 2016-12-21 百度在线网络技术（北京）有限公司 语音识别处理方法和装置
CN107967916A (zh) * 2016-10-20 2018-04-27 谷歌有限责任公司 确定语音关系
CN107154260A (zh) * 2017-04-11 2017-09-12 北京智能管家科技有限公司 一种领域自适应语音识别方法和装置
CN108986791A (zh) * 2018-08-10 2018-12-11 南京航空航天大学 针对民航陆空通话领域的中英文语种语音识别方法及系统
CN109003601A (zh) * 2018-08-31 2018-12-14 北京工商大学 一种针对低资源土家语的跨语言端到端语音识别方法
CN109065029A (zh) * 2018-10-10 2018-12-21 内蒙古工业大学 一种小规模语料dnn-hmm声学模型
CN109147772A (zh) * 2018-10-10 2019-01-04 内蒙古工业大学 一种dnn-hmm声学模型参数迁移结构

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王丽: "基于先验概率线性插值的声学模型自适应方法", 《第十四届全国人机语音通讯学术会议论文集》, pages 392 - 396 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113299280A (zh) * 2021-05-12 2021-08-24 山东浪潮科学研究院有限公司 基于Kaldi的专业词汇语音识别方法
CN113380225A (zh) * 2021-06-18 2021-09-10 广州虎牙科技有限公司 语言模型的训练方法、语音识别方法及相关装置
CN113380225B (zh) * 2021-06-18 2024-05-17 广州虎牙科技有限公司 语言模型的训练方法、语音识别方法及相关装置
CN115359784A (zh) * 2022-10-21 2022-11-18 成都爱维译科技有限公司 基于迁移学习的民航陆空语音识别模型训练方法及系统
CN115359784B (zh) * 2022-10-21 2023-01-17 成都爱维译科技有限公司 基于迁移学习的民航陆空语音识别模型训练方法及系统
CN116916085A (zh) * 2023-09-12 2023-10-20 飞狐信息技术（天津）有限公司 一种端到端字幕生成方法、装置、电子设备和存储介质
CN117174111A (zh) * 2023-11-02 2023-12-05 浙江同花顺智能科技有限公司 重叠语音检测方法、装置、电子设备及存储介质
CN117174111B (zh) * 2023-11-02 2024-01-30 浙江同花顺智能科技有限公司 重叠语音检测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN112133290A (zh) 一种针对民航陆空通话领域的基于迁移学习的语音识别方法
CN103400577B (zh) 多语种语音识别的声学模型建立方法和装置
WO2018153213A1 (zh) 一种多语言混合语音识别方法
Delpech et al. A real-life, French-accented corpus of air traffic control communications
CN109119072A (zh) 基于dnn-hmm的民航陆空通话声学模型构建方法
Cordero et al. Automated speech recognition in ATC environment
CN105427858A (zh) 实现语音自动分类的方法及系统
CN105957518A (zh) 一种蒙古语大词汇量连续语音识别的方法
US20230085781A1 (en) Aircraft ground guidance system and method based on semantic recognition of controller instruction
Zuluaga-Gomez et al. Automatic speech recognition benchmark for air-traffic communications
CN104575516A (zh) 用于在使用动态话音数据库的飞机驾驶舱中校正口音诱导话音的系统和方法
CN103632663B (zh) 一种基于hmm的蒙古语语音合成前端处理的方法
CN105404621A (zh) 一种用于盲人读取汉字的方法及系统
CN105096942A (zh) 语义分析方法和装置
Cordero et al. Automated speech recognition in controller communications applied to workload measurement
Kopald et al. Applying automatic speech recognition technology to air traffic management
CN111489746A (zh) 一种基于bert的电网调度语音识别语言模型构建方法
Kumar et al. Translations of the CALLHOME Egyptian Arabic corpus for conversational speech translation
Kleinert et al. Automated Interpretation of Air Traffic Control Communication: The Journey from Spoken Words to a Deeper Understanding of the Meaning
Guimin et al. Intelligent checking model of Chinese radiotelephony read-backs in civil aviation air traffic control
CN110069771B (zh) 一种基于语义组块的管制指令信息处理方法
CN114944150A (zh) 一种基于双任务的Conformer陆空通话声学模型构建方法
CN109104258B (zh) 一种基于关键词识别的无线电识别方法
CN110414556A (zh) 一种基于Word2Vec和循环神经网络的小学语文作文比喻句和拟人句自动提取方法
Balyan et al. Automatic phonetic segmentation of Hindi speech using hidden Markov model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201225

WD01 Invention patent application deemed withdrawn after publication