？基于dnn的声学模型自适应实验

声学模型自适应算法研究目的是缓解由测试数据和训练数据不匹配而引起的识别性能下降问题.基于深度神经网络(dnn)模型框架的自适应技术中，重训练是最直接的方法，但极容易出现过拟合现象，尤其是自适应数据稀疏的情况下．文章针对领域相关的自动语音识别任务，对典型的两种声学模型自适应算法进行了尝试，实验了基于线性变换网络的自适应方法和基于相对熵正则化准则的自适应方法，并对两种算法进行了详尽的系统性能比较.结果表明，在不同的自适应数据量下，相对熵正则化自适应方法均能表现出较好的性能.