基于深度神经网络的印度语言识别系统优化与实验比较

本文主要探讨了基于深度神经网络的印度语言识别系统的研究，特别是针对沙特国王大学学报发表的一项创新工作。该研究提出了一种名为TS-LID（Two-Stage Indian Language Identification）的系统，它采用了两个关键模块：音调/非音调预分类器和个人语言识别模块。研究的核心在于评估平均希尔伯特包络系数（MHEC）和梅尔倒谱系数（MFCC）在TS-LID框架下的效能，以及它们与声门闭合时刻（GCI）相结合的策略，以及块处理（BP）方法。 在预分类阶段，研究者使用GCI作为基础，利用深度神经网络（DNN）对音节级别的特征进行建模，结果显示在NITSilchar语言数据库（NITS-LD）上的测试数据中，30秒、10秒和3秒的最高准确率分别为90.6%、85%和81.3%。相比于BP方法，基于GCI的方法表现更为出色，分别提高了7.5%、6.2%和5.7%的准确率。预分类模块的引入显著提升了LID系统的性能，对于OGI-多语种数据库（OGI-MLTS），相应的提升分别为7.4%、6.8%和5%。 此外，研究特别关注了不同类型的分析单位，比如整个话语和音节，这显示了音节级别的特征分析在印度语言识别中的重要性。通过实验比较，研究者证实了在区分印度多种语言时，基于GCI和DNN的预分类策略具有较高的识别精度和实用性。 文章的创新之处在于它结合了先进的深度学习技术与语言学特征，旨在提高印度语言识别的准确性和效率。这项研究不仅对语音信号处理领域的理论有所贡献，也为实际应用中的多语言服务，如语音识别和安全系统提供了有价值的技术支持。值得注意的是，本文是开放访问，并遵循Creative Commons BY-NC-ND许可协议，允许在特定条件下分享和再利用。