全序列卷积神经网络+连接时序分类语音识别

全序列卷积神经网络

DFCNN：deep fully convolutional neural network 全序列卷积神经网络

DFCNN对时域信号进行分帧、加窗、傅里叶变换、取对数得到语谱图。

语谱图的x是时间，y轴是频率，z轴是幅度。幅度用亮色如红色表示高，用深色表示低。利用语谱图可以查看指定频率端的能量分布。

DFCNN直接将一句语音作为输入，输出单元则直接与最终的识别结果相对应（音节或汉字），DFCNN的结构中把时间和频率作为图像的两个维度，通过较多的卷积层和池化层的组合，实现对整个语句的建模。

首先对音频文件的每帧进行傅里叶变换，将时间和频率做为图像的两个维度，然后使用3*3的卷积核对时频图进行卷积，卷积层（convolution layer）输出32特征，然后使用最大池化Maxpooling提取最大参数，来降低参数数量，池化层（pooling layer）输出64特征，此时数据的另两个维度减半，然后再通过一次cnn_cell，此时数据的维度减半，特征值变为128，最后接入全连接层（fully connected layers）。

卷积层的卷积核（kernel_size)大小为（3,3），提取32个特征，扩充padding为1，卷积步长为1，则经过一次卷积层后，图像的尺寸为(n+2p-f+1) x (n+2p-f+1)=（n，n)。

池化层（pooling）来减少尺寸，提高运算速度，降低噪声，这里使用的是Maxpooling方法，pool_size大小为（2,2），取pool_size中最大的数字，当图片经过池化层后，维度减半。

全连接层的每个神经元与前一池化层的所有神经元进行连接，全连接层整合卷积和池化层的分类特征并加以区分。每个神经元的激励函数使用ReLU函数，最后一层的输出值被传递到sotfmax逻辑回归进行分类。

更新全连接层的参数使用两种方式：前向传播和反向传播。
前向传播：

L：层数
Ni：除了偏置单元之外的第 i 层中的神经元数，其中i = 1,2，…，L
Ai（j）：第 i 层中第 j 个神经元的输出，其中i = 1,2 … L | j = 0,1,2 … .N
第i+1层输入：

从第i层到第i+1层的权重矩阵：

全连接层的输出：

反向传播：确定输出端的损耗（或误差），然后将其传播回网络。更新权重以最小化每个神经元产生的误差。最小化误差的第一步是确定每个节点的梯度。
错误：

反向传播错误进入网络：

更新权重以最小化梯度：

连接时序分类

CTC：connectionist temporal classification 连接时序分类

传统的语音识别的声学模型训练，每一帧数据必须知道label才能进行训练，语音对齐需要进行反复迭代，来确保对齐，耗费时间。

CTC使用的是端到端，只需要输入输出序列，CTC会输出序列预测的概率，只关心输出序列是否接近，不关心是否对齐。

CTC引入blank（无预测值），每个预测值的分类对应一段语音中的一个尖峰（spike）其他不是尖峰的默认为blank，输出尖峰的序列，无持续时间。

序列问题可以形式化为函数：

序列目标为字符串（词表大小为n）即Nw输出为n维多项式概率分布（softmax）。

网络输出为：

1.序列建模
没有限定Nw的具体形式，假设某种神经网络（RNN）。

2.align-free变长映射
CTC引入一个特殊的blank字符（%），扩展原始词表L为L’=L U {blank}，对输出字符串，定义操作B：（1）合并连续的相同符号，（2）去掉blank字符
例如：aa%bb%%cc 应用B，实际上代表abc
通过引入blank和B，可以实现映射：

注意：只能建模长度小于输入长度

3.似然计算
CTC使用最大似然标准进行计算，给定输入x，输出l的条件概率为：

CTC假设输出的概率（相对输入）条件独立的：

#4.前向算法

对音频的数字化处理

wav文件是微软公司研发的一种音频文件，支持多种压缩运算法。

此次实验中使用的音频文件被保存为wav格式，使用16kHz，单声道，8bit的形式。
在音频文件读取的过程中，使用python中的Scipy包，Scipy是数学、工程中常用包，主要用来处理一些积分、方程求解、信号处理等问题。在此次实验中，使用数据输入输出的Scipy.io模块。在画图的过程中，使用python中的matplotlib包，matplotlib是python中的图形绘制包。

然后构造汉明窗函数。原因：语音信号一般在10ms到30ms之间，为了处理语音信号，我们需要构造汉明窗，也就是一次仅处理窗内的数据，因此，构造一个函数，在一段区间内有非零值，其他区间都为零，加上窗之后，只有中间的数据体现出来，其他数据丢失，等到窗移动的时候，后面丢失的又体现出来。

汉明窗函数：

当0
当N>>1时，N-1≈N，其频谱近似为：


三部分矩形窗频谱相加，使旁瓣互相抵消，能量集中在主瓣，旁瓣大大减小，主瓣宽度增加1倍。
对数据进行分帧加窗，确定采样个数。
对处理完的数据进行快速傅里叶变换，将时域信号转到频域上来，此处使用Scipy.fftpack。
获取语谱图，对语音文件的数字化处理完成。