本發(fā)明涉及智能通信領(lǐng)域，尤其涉及一種基于人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別方法、裝置及電子設(shè)備。
背景技術(shù)：
：隨著智能終端行業(yè)的快速發(fā)展，智能終端上能夠?qū)崿F(xiàn)的功能越來越多，其中，語音控制是在智能終端上非常流行的一種功能。如何準(zhǔn)確快速的識(shí)別每個(gè)語音命令是語音控制的重要部分。現(xiàn)有技術(shù)中，通常使用人工神經(jīng)網(wǎng)絡(luò)(NeuralNetworkAlgorithm,ANN)方法對(duì)語音控制命令進(jìn)行分類識(shí)別。人工神經(jīng)網(wǎng)絡(luò)模型由大量的節(jié)點(diǎn)(或神經(jīng)元)之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，為激勵(lì)函數(shù)。兩個(gè)節(jié)點(diǎn)之間的連接代表一個(gè)對(duì)于通過該連接信號(hào)的加權(quán)值，稱之為權(quán)重，相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。人工神經(jīng)網(wǎng)絡(luò)模型的輸出根據(jù)網(wǎng)絡(luò)的連接方式、權(quán)重值和激勵(lì)函數(shù)的不同而不同。語音控制命令中的音頻數(shù)據(jù)中包含元音和輔音，人工神經(jīng)網(wǎng)絡(luò)方法通過識(shí)別出元音和輔音并進(jìn)行分類，然后再利用元音和輔音的分類結(jié)果的組合和順序按照一定的規(guī)則判定語音數(shù)據(jù)命令。權(quán)重和隱藏神經(jīng)元的偏置是影響人工神經(jīng)網(wǎng)絡(luò)模型性能的重要參數(shù)，通過提取的語音數(shù)據(jù)來訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)模型，得到有效的權(quán)重和偏置。但是，現(xiàn)有技術(shù)的語音識(shí)別方法中，通常人工神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)重是由隨機(jī)數(shù)初始化，初始偏置值由零初始化，由于權(quán)重和偏置值的初始化方式，導(dǎo)致語音識(shí)別的分類輸出結(jié)果不準(zhǔn)確，同時(shí)需要相當(dāng)長的時(shí)間來進(jìn)行訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)模型。技術(shù)實(shí)現(xiàn)要素：本發(fā)明解決的技術(shù)問題是如何縮短用于語音識(shí)別的人工神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時(shí)間，提高輸出結(jié)果的準(zhǔn)確性。為解決上述技術(shù)問題，本發(fā)明實(shí)施例提供一種基于人工神經(jīng)網(wǎng)絡(luò)的語音 識(shí)別方法，所述基于人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別方法包括：離線訓(xùn)練用于語音識(shí)別的人工神經(jīng)網(wǎng)絡(luò)模型；在離線訓(xùn)練的所述人工神經(jīng)網(wǎng)絡(luò)模型通過測試后，記錄所述人工神經(jīng)網(wǎng)絡(luò)模型的當(dāng)前權(quán)重和當(dāng)前偏置值；將所述當(dāng)前權(quán)重和所述當(dāng)前偏置值作為無線終端采用的所述人工神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)重和初始偏置值；在線訓(xùn)練采用所述初始權(quán)重和所述初始偏置值的所述人工神經(jīng)網(wǎng)絡(luò)模型，得到在線訓(xùn)練后的權(quán)重和偏置值；將采用所述在線訓(xùn)練后的權(quán)重和偏置值的所述人工神經(jīng)網(wǎng)絡(luò)模型用于所述無線終端的語音識(shí)別。可選的，所述離線訓(xùn)練用于語音識(shí)別的人工神經(jīng)網(wǎng)絡(luò)模型包括：獲取目標(biāo)語音數(shù)據(jù)和干擾語音數(shù)據(jù)，形成第一訓(xùn)練數(shù)據(jù)集；將所述人工神經(jīng)網(wǎng)絡(luò)模型的權(quán)重隨機(jī)初始化，偏置值從零初始化；根據(jù)所述第一訓(xùn)練數(shù)據(jù)集訓(xùn)練所述人工神經(jīng)網(wǎng)絡(luò)模型?？蛇x的，所述離線訓(xùn)練的所述人工神經(jīng)網(wǎng)絡(luò)模型通過測試包括：將測試語音數(shù)據(jù)輸入至離線訓(xùn)練后的所述人工神經(jīng)網(wǎng)絡(luò)模型，并將所述人工神經(jīng)網(wǎng)絡(luò)模型的輸出與所述測試語音數(shù)據(jù)進(jìn)行比較，得到輸出錯(cuò)誤率；當(dāng)所述輸出錯(cuò)誤率達(dá)到設(shè)定閾值時(shí)，記錄所述人工神經(jīng)網(wǎng)絡(luò)模型的當(dāng)前權(quán)重和當(dāng)前偏置值。可選的，所述輸出錯(cuò)誤率沒有達(dá)到設(shè)定閾值時(shí)，將所述人工神經(jīng)網(wǎng)絡(luò)模型的所述權(quán)重隨機(jī)初始化，所述偏置值從零初始化?？蛇x的，所述在線訓(xùn)練采用所述初始權(quán)重和所述初始偏置值的所述人工神經(jīng)網(wǎng)絡(luò)模型包括：獲取終端記錄的語音數(shù)據(jù)，形成第二訓(xùn)練數(shù)據(jù)集；根據(jù)所述第二訓(xùn)練數(shù)據(jù)集訓(xùn)練采用所述初始權(quán)重和所述初始偏置值的所述人工神經(jīng)網(wǎng)絡(luò)模型?？蛇x的，將在線訓(xùn)練后的所述人工神經(jīng)網(wǎng)絡(luò)模型的輸出轉(zhuǎn)換為可供電子設(shè)備執(zhí)行的操作指令?？蛇x的，所述第一訓(xùn)練數(shù)據(jù)集包括具備不同語速、語調(diào)或分貝的所述目標(biāo)語音數(shù)據(jù)或所述干擾語音數(shù)據(jù)；所述第二訓(xùn)練數(shù)據(jù)集包括具備不同語速、語調(diào)或分貝的所述語音數(shù)據(jù)。為解決上述技術(shù)問題，本發(fā)明實(shí)施例還公開了一種基于人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別裝置，基于人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別裝置包括：初始單元，適于將記錄的初始權(quán)重和初始偏置值用于人工神經(jīng)網(wǎng)絡(luò)模型；所述初始權(quán)重和所述初始偏置值是通過離線訓(xùn)練所述人工神經(jīng)網(wǎng)絡(luò)模型得到。在線訓(xùn)練單元，耦接所述初始單元，在線訓(xùn)練采用所述初始權(quán)重和所述初始偏置值的人工神經(jīng)網(wǎng)絡(luò)模型，得到在線訓(xùn)練后的權(quán)重和偏置值；語音識(shí)別單元，將采用所述在線訓(xùn)練后的權(quán)重和偏置值的所述人工神經(jīng)網(wǎng)絡(luò)模型用于無線終端的語音識(shí)別。可選的，所述基于人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別裝置還包括：語音轉(zhuǎn)換單元，將在線訓(xùn)練后的所述人工神經(jīng)網(wǎng)絡(luò)模型的輸出轉(zhuǎn)換為可供電子設(shè)備執(zhí)行的操作指令。為解決上述技術(shù)問題，本發(fā)明實(shí)施例還公開了一種電子設(shè)備所述電子設(shè)備包括基于人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別裝置。與現(xiàn)有技術(shù)相比，本發(fā)明實(shí)施例的技術(shù)方案具有以下有益效果：本發(fā)明實(shí)施例通過離線訓(xùn)練用于語音識(shí)別的人工神經(jīng)網(wǎng)絡(luò)模型，在離線訓(xùn)練的所述人工神經(jīng)網(wǎng)絡(luò)模型通過測試后，記錄所述人工神經(jīng)網(wǎng)絡(luò)模型的當(dāng)前權(quán)重和當(dāng)前偏置值；將所述當(dāng)前權(quán)重和所述當(dāng)前偏置值作為無線終端采用的所述人工神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)重和初始偏置值；在線訓(xùn)練采用所述初始權(quán)重和所述初始偏置值的所述人工神經(jīng)網(wǎng)絡(luò)模型，得到在線訓(xùn)練后的權(quán)重和偏置值；將采用所述在線訓(xùn)練后的權(quán)重和偏置值的所述人工神經(jīng)網(wǎng)絡(luò)模型用于所述無線終端的語音識(shí)別；通過離線訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)模型得到初始權(quán)重和初始偏置值，用于無線終端采用的人工神經(jīng)網(wǎng)絡(luò)模型，縮短了無線終端采用的人工神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時(shí)間，提高了語音識(shí)別輸出結(jié)果的準(zhǔn)確性。附圖說明圖1是本發(fā)明實(shí)施例一種人工神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖；圖2是本發(fā)明實(shí)施例一種基于人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別方法流程圖；圖3是本發(fā)明實(shí)施例一種離線訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的方法流程圖；圖4是本發(fā)明實(shí)施例一種在線訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的方法流程圖；圖5是本發(fā)明實(shí)施例一種基于人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別裝置結(jié)構(gòu)示意圖。具體實(shí)施方式如
背景技術(shù)：
中所述，現(xiàn)有技術(shù)的語音識(shí)別方法中，通常人工神經(jīng)網(wǎng)絡(luò)模型權(quán)重是由隨機(jī)數(shù)初始化，偏置由零初始化，由于權(quán)重和偏置的初始化方式，導(dǎo)致語音識(shí)別的分類輸出結(jié)果不準(zhǔn)確，同時(shí)需要相當(dāng)長的時(shí)間來進(jìn)行訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)模型。本發(fā)明實(shí)施例通過離線訓(xùn)練用于語音識(shí)別的人工神經(jīng)網(wǎng)絡(luò)模型，在離線訓(xùn)練的所述人工神經(jīng)網(wǎng)絡(luò)模型通過測試后，記錄所述人工神經(jīng)網(wǎng)絡(luò)模型的當(dāng)前權(quán)重和當(dāng)前偏置值；將所述當(dāng)前權(quán)重和所述當(dāng)前偏置值作為無線終端采用的所述人工神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)重和初始偏置值；在線訓(xùn)練采用所述初始權(quán)重和所述初始偏置值的所述人工神經(jīng)網(wǎng)絡(luò)模型，得到在線訓(xùn)練后的權(quán)重和偏置值；將采用所述在線訓(xùn)練后的權(quán)重和偏置值的所述人工神經(jīng)網(wǎng)絡(luò)模型用于所述無線終端的語音識(shí)別；通過離線訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)模型得到初始權(quán)重和初始偏置值，用于無線終端采用的人工神經(jīng)網(wǎng)絡(luò)模型，縮短了無線終端采用的人工神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時(shí)間，提高了語音識(shí)別輸出結(jié)果的準(zhǔn)確性。為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更為明顯易懂，下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施例做詳細(xì)的說明。圖1是本發(fā)明實(shí)施例一種人工神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖。請(qǐng)參照?qǐng)D1，人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱藏層和輸出層。本實(shí)施例中，輸入層包括，X1，X2…Xi表示輸入的數(shù)據(jù)；輸出層包括，Y1,Y2....Yj表示輸出數(shù)據(jù)；輸入層和隱藏層存在多重連接方式，每種連接方式對(duì)應(yīng)一個(gè)連接權(quán)系數(shù)，即權(quán)重W11，W1j，W21，…Wij；b1…bj表示隱藏層的偏 置。本實(shí)施例中，人工神經(jīng)網(wǎng)絡(luò)由神經(jīng)元模型構(gòu)成，神經(jīng)元模型并行分布形成信息處理網(wǎng)絡(luò)。每個(gè)神經(jīng)元具有單一輸出，并且能夠與其它神經(jīng)元連接；以處理單元(ProcessingElement,PE)為節(jié)點(diǎn)，用加權(quán)有向弧相互連接而成。需要說明的是，本發(fā)明實(shí)施例中包含一個(gè)隱藏層，在實(shí)際應(yīng)用環(huán)境中，人工神經(jīng)網(wǎng)絡(luò)也可以包括任意可實(shí)施數(shù)量的隱藏層。本實(shí)施例中，人工神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)的計(jì)算公式為：Yj＝f((∑XiWij)+bj)；其中f是傳遞函數(shù)或激發(fā)函數(shù)(ActivationFunction)或作用函數(shù)，傳遞函數(shù)f決定節(jié)點(diǎn)的輸出Yj?？梢岳斫獾氖?，在不同的人工神經(jīng)網(wǎng)絡(luò)的體系結(jié)構(gòu)，具備不同的傳遞函數(shù)f。人工神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)設(shè)計(jì)完成后，除輸入、輸出參數(shù)外，還需要對(duì)人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到有效的權(quán)重和偏置值后，用于無線終端的語音識(shí)別。圖2是本發(fā)明實(shí)施例一種基于人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別方法流程圖。請(qǐng)參照?qǐng)D2，所述人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別方法包括：步驟S201，離線訓(xùn)練用于語音識(shí)別的人工神經(jīng)網(wǎng)絡(luò)模型。本實(shí)施例中，在對(duì)無線終端的語音控制上，對(duì)于輸入的語音指令，所述人工神經(jīng)網(wǎng)絡(luò)模型的判定結(jié)果只有是控制指令或不是控制指令兩類。故人工神經(jīng)網(wǎng)絡(luò)模型的輸出決定輸入的語音指令能否控制無線終端。本實(shí)施例中，離線訓(xùn)練是指在用于語音識(shí)別人工神經(jīng)網(wǎng)絡(luò)模型配置在無線終端之前，得到用于語音識(shí)別的人工神經(jīng)網(wǎng)絡(luò)模型有效的權(quán)重和偏置值，縮短用戶在無線終端使用語音控制時(shí)對(duì)人工神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時(shí)間?？梢岳斫獾氖?，本發(fā)明實(shí)施例的所述人工神經(jīng)網(wǎng)絡(luò)的輸出層結(jié)果有兩種，輸出為1或0，表示是控制指令或不是控制指令。在實(shí)際的應(yīng)用環(huán)境中，所述輸出可以是任意可表示同樣含義的表達(dá)方式。其中，離線訓(xùn)練用于語音識(shí)別的人工神經(jīng)網(wǎng)絡(luò)模型可參考圖3，圖3是本 發(fā)明實(shí)施例一種離線訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的方法流程圖。請(qǐng)參照?qǐng)D3，所述離線訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的方法包括：步驟S301，獲取目標(biāo)語音數(shù)據(jù)和干擾語音數(shù)據(jù)，形成第一訓(xùn)練數(shù)據(jù)集。本實(shí)施例中，獲取目標(biāo)語音數(shù)據(jù)和干擾語音數(shù)據(jù)，其中，目標(biāo)語音數(shù)據(jù)為控制無線終端的語音指令，干擾語音數(shù)據(jù)為不能控制無線終端的語音指令。所述目標(biāo)語音數(shù)據(jù)和所述干擾語音數(shù)據(jù)為兩類語義不同的語音數(shù)據(jù)，且具備不同語速、語調(diào)或分貝，形成第一訓(xùn)練數(shù)據(jù)集?？梢岳斫獾氖?，在實(shí)際的應(yīng)用環(huán)境中，離線訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)模型也可以采用任意可實(shí)施數(shù)量類型的語音數(shù)據(jù)進(jìn)行訓(xùn)練，分類的方法可參考本實(shí)施例。步驟S302，將所述人工神經(jīng)網(wǎng)絡(luò)模型的權(quán)重隨機(jī)初始化，偏置值從零初始化。本實(shí)施例中，在人工神經(jīng)網(wǎng)絡(luò)模型建成后，傳遞函數(shù)f為已配置參數(shù)，在權(quán)重和偏置值也有數(shù)值時(shí)，人工神經(jīng)網(wǎng)絡(luò)模型才能運(yùn)行。在初始狀態(tài)，權(quán)重和偏置值分別通過隨機(jī)初始化和從零初始化確定。步驟S303，根據(jù)所述第一訓(xùn)練數(shù)據(jù)集訓(xùn)練所述人工神經(jīng)網(wǎng)絡(luò)模型。本實(shí)施例中，通過第一訓(xùn)練數(shù)據(jù)集訓(xùn)練所述人工神經(jīng)網(wǎng)絡(luò)模型是為了得到有效的權(quán)重和偏置值，人工神經(jīng)網(wǎng)絡(luò)模型使用有效的權(quán)重和偏置值后，當(dāng)目標(biāo)語音數(shù)據(jù)作為輸入對(duì)應(yīng)的輸出可以控制無線終端；當(dāng)干擾語音數(shù)據(jù)作為輸入對(duì)應(yīng)的輸出不可以控制無線終端。步驟S304，將測試語音數(shù)據(jù)輸入至離線訓(xùn)練后的所述人工神經(jīng)網(wǎng)絡(luò)模型，并將所述人工神經(jīng)網(wǎng)絡(luò)模型的輸出與所述測試語音數(shù)據(jù)進(jìn)行比較，得到輸出錯(cuò)誤率。本實(shí)施例中，采用的所述測試語音數(shù)據(jù)與第一訓(xùn)練集中的目標(biāo)語音數(shù)據(jù)和干擾語音數(shù)據(jù)是不同的。本實(shí)施例中，輸出錯(cuò)誤率為輸出結(jié)果不是控制指令的語音數(shù)據(jù)數(shù)量與第一訓(xùn)練集的語音數(shù)據(jù)總數(shù)量之比。步驟S305，判斷所述輸出錯(cuò)誤率是否達(dá)到設(shè)定閾值，如果是，則進(jìn)入步驟S306，否則，繼續(xù)步驟S302。本實(shí)施例中，所述輸出錯(cuò)誤率的設(shè)定閾值根據(jù)實(shí)際應(yīng)用環(huán)境做適應(yīng)性的調(diào)整。步驟S306，記錄人工神經(jīng)網(wǎng)絡(luò)模型的當(dāng)前權(quán)重和當(dāng)前偏置值。本實(shí)施例中，當(dāng)所述輸出錯(cuò)誤率達(dá)到設(shè)定閾值時(shí)，記錄所述人工神經(jīng)網(wǎng)絡(luò)模型的當(dāng)前權(quán)重和當(dāng)前偏置值。所述輸出錯(cuò)誤率沒有達(dá)到設(shè)定閾值時(shí)，將所述人工神經(jīng)網(wǎng)絡(luò)模型的所述權(quán)重隨機(jī)初始化，所述偏置值從零初始化。本發(fā)明實(shí)施例的離線訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的方法在所述人工神經(jīng)網(wǎng)絡(luò)模型用于無線終端設(shè)備之前，計(jì)算出有效的權(quán)重和偏置值。步驟S202，在離線訓(xùn)練的所述人工神經(jīng)網(wǎng)絡(luò)模型通過測試后，記錄所述人工神經(jīng)網(wǎng)絡(luò)模型的當(dāng)前權(quán)重和當(dāng)前偏置值。本實(shí)施例中，將離線訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的方法得到的當(dāng)前權(quán)重和當(dāng)前偏置值記錄并存儲(chǔ)。步驟S203，將所述當(dāng)前權(quán)重和所述當(dāng)前偏置值作為無線終端采用的所述人工神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)重和初始偏置值。本實(shí)施例中，人工神經(jīng)網(wǎng)絡(luò)模型配置于所述無線終端后，初始狀態(tài)為，將初始權(quán)重和初始偏置值設(shè)置為記錄并保存的所述當(dāng)前權(quán)重和所述當(dāng)前偏置值。步驟S204，在線訓(xùn)練采用所述初始權(quán)重和所述初始偏置值的所述人工神經(jīng)網(wǎng)絡(luò)模型，得到在線訓(xùn)練后的權(quán)重和偏置值。本實(shí)施例中，用戶首次使用無線終端的語音控制功能時(shí)，還需要對(duì)所述無線終端的人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行在線訓(xùn)練。在線訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)模型是指，根據(jù)用戶輸入保存的語音數(shù)據(jù)對(duì)無線終端的人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，在初始權(quán)重和初始偏置值的基礎(chǔ)上對(duì)權(quán)重和偏置值進(jìn)行優(yōu)化，得到在線訓(xùn)練后的權(quán)重和偏置值。步驟S205，將采用所述在線訓(xùn)練后的權(quán)重和偏置值的所述人工神經(jīng)網(wǎng)絡(luò) 模型用于所述無線終端的語音識(shí)別。本實(shí)施例中，在得到優(yōu)化后的權(quán)重和偏置值后，將其配置于無線終端的人工神經(jīng)網(wǎng)絡(luò)模型，用于語音識(shí)別，識(shí)別出的控制指令適于實(shí)施對(duì)無線終端的控制。本發(fā)明實(shí)施例的離線訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的方法在所述人工神經(jīng)網(wǎng)絡(luò)模型用于無線終端設(shè)備之前，計(jì)算出有效的權(quán)重和偏置值，相對(duì)于現(xiàn)有技術(shù)中的隨機(jī)初始化，將計(jì)算出的有效的權(quán)重和偏置值用于人工神經(jīng)網(wǎng)絡(luò)模型，縮短了用戶使用終端時(shí)的在線訓(xùn)練時(shí)間。本發(fā)明實(shí)施例的基于人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別方法與現(xiàn)有技術(shù)的語音識(shí)別方法對(duì)比的測試結(jié)果如表1、表2和表3所示。方法類型錯(cuò)誤率現(xiàn)有技術(shù)錯(cuò)誤率>50％本發(fā)明實(shí)施例0％<錯(cuò)誤率<20％表1請(qǐng)參照表1，表1所示測試結(jié)果采用的測試語音數(shù)據(jù)為，你好小E和成吉思汗，其中，你好小E為目標(biāo)語音數(shù)據(jù)。現(xiàn)有技術(shù)的語音識(shí)別方法對(duì)于測試數(shù)據(jù)的輸出對(duì)應(yīng)的錯(cuò)誤率大于50％；本發(fā)明實(shí)施例對(duì)于測試數(shù)據(jù)的輸出對(duì)應(yīng)的錯(cuò)誤率小于20％。表2請(qǐng)參照表2，表2所示測試結(jié)果采用的測試語音數(shù)據(jù)為，你好小E和你好可樂，其中，你好小E為目標(biāo)語音數(shù)據(jù)。每組數(shù)據(jù)分別作了10次測試?，F(xiàn)有技術(shù)的語音識(shí)別方法的輸出結(jié)果中，有一次測試的錯(cuò)誤率小于20％，五次測試的錯(cuò)誤率大于30％小于50％，四次測試的錯(cuò)誤率大于等于50％；本發(fā)明實(shí)施例對(duì)于測試數(shù)據(jù)的輸出結(jié)果中，四次測試的錯(cuò)誤率為0％，即完全正確；六次測試的錯(cuò)誤率大于30％小于50％，零次測試的錯(cuò)誤率大于等于50％。表3請(qǐng)參照表3，表3所示測試結(jié)果采用的測試語音數(shù)據(jù)為，成吉思汗和蒙娜麗莎，其中，成吉思汗為目標(biāo)語音數(shù)據(jù)。每組數(shù)據(jù)分別作了10次測試。現(xiàn)有技術(shù)的語音識(shí)別方法的輸出結(jié)果中，有零次測試的錯(cuò)誤率小于20％，三次測試的錯(cuò)誤率大于30％小于50％，七次測試的錯(cuò)誤率大于等于50％；本發(fā)明實(shí)施例對(duì)于測試數(shù)據(jù)的輸出結(jié)果中，零次測試的錯(cuò)誤率為0％，即完全正確；十次測試的錯(cuò)誤率大于30％小于50％，零次測試的錯(cuò)誤率大于等于50％。參照表1、表2和表3的測試結(jié)果，本發(fā)明實(shí)施例的基于人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別方法相對(duì)于現(xiàn)有技術(shù)，對(duì)于語音識(shí)別的錯(cuò)誤率減少，正確率提高，提高了無線終端語音識(shí)別輸出結(jié)果的準(zhǔn)確性。圖4是本發(fā)明實(shí)施例一種在線訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的方法流程圖。請(qǐng)參照?qǐng)D4，所述在線訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的方法包括：步驟S401，獲取終端記錄的語音數(shù)據(jù)，形成第二訓(xùn)練數(shù)據(jù)集。本實(shí)施例中，用戶在使用語音控制無線終端時(shí)，終端會(huì)記錄用戶的語音數(shù)據(jù)，將所述語音數(shù)據(jù)集合成第二訓(xùn)練數(shù)據(jù)集。所述第二訓(xùn)練集和第一訓(xùn)練集中的語音數(shù)據(jù)內(nèi)容不同，但是分類方法相似。步驟S402，將當(dāng)前權(quán)重和當(dāng)前偏置值作為無線終端采用的人工神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)重和初始偏置值。本發(fā)明實(shí)施例中，在人工神經(jīng)網(wǎng)絡(luò)模型中，在具有任意值的權(quán)重和偏置值的初始組合中，同一性質(zhì)的輸入數(shù)據(jù)的有效權(quán)值和偏置值會(huì)比較接近。在基于人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別中，輸入數(shù)據(jù)都是語音數(shù)據(jù)，可以采用相同或相近的權(quán)重和偏置值。步驟S403，通過第二訓(xùn)練數(shù)據(jù)集測試訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)模型。步驟S404，得到用于無線終端的分類訓(xùn)練模型。本發(fā)明實(shí)施例中，將采用所述在線訓(xùn)練后的權(quán)重和偏置值的所述人工神經(jīng)網(wǎng)絡(luò)模型用于所述無線終端的語音識(shí)別。圖5是本發(fā)明實(shí)施例一種基于人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別裝置結(jié)構(gòu)示意圖。請(qǐng)參照?qǐng)D5，所述基于人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別裝置包括：在線訓(xùn)練單元501，在線訓(xùn)練采用初始權(quán)重和初始偏置值的人工神經(jīng)網(wǎng)絡(luò)模型，得到在線訓(xùn)練后的權(quán)重和偏置值語音識(shí)別單元502，將采用所述在線訓(xùn)練后的權(quán)重和偏置值的所述人工神經(jīng)網(wǎng)絡(luò)模型用于無線終端的語音識(shí)別。初始單元503，耦接所述在線訓(xùn)練單元，適于將記錄的所述初始權(quán)重和所述初始偏置值用于所述人工神經(jīng)網(wǎng)絡(luò)模型。語音轉(zhuǎn)換單元504，將在線訓(xùn)練后的所述人工神經(jīng)網(wǎng)絡(luò)模型的輸出轉(zhuǎn)換為可供電子設(shè)備執(zhí)行的操作指令。具體實(shí)施方式可參考前述相應(yīng)實(shí)施例，此處不再贅述。本發(fā)明實(shí)施例還公開了一種電子設(shè)備，所述電子設(shè)備配置有所述基于人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別裝置。雖然本發(fā)明披露如上，但本發(fā)明并非限定于此。任何本領(lǐng)域技術(shù)人員，在不脫離本發(fā)明的精神和范圍內(nèi)，均可作各種更動(dòng)與修改，因此本發(fā)明的保護(hù)范圍應(yīng)當(dāng)以權(quán)利要求所限定的范圍為準(zhǔn)。當(dāng)前第1頁1 2 3