-
公开(公告)号：CN101669116B
公开(公告)日：2016-01-06
申请号：CN200880013543.X
申请日：2008-04-08
Applicant: 微软技术许可有限责任公司
IPC: G06F17/28
CPC classification number: G06F17/273 , G06F17/2223
Abstract: 一种用于在亚洲语言语音识别系统中纠正不正确的识别结果的体系结构。可以响应于接收到语音输入来启动一种拼写模式，该拼写模式用于纠正识别结果的不正确的拼写或生成新词。纠正可以通过语音和/或手动选择和输入来获得。该体系结构方便单遍纠正，而非像常规系统中那样多次纠正。使用该拼写模式来纠正的词是作为一个单元来纠正的并且被当作词。该拼写模式至少适用于亚洲大陆的语言，如简体中文、繁体中文、和/或诸如日文等其它亚洲语言。
-
公开(公告)号：CN105229725B
公开(公告)日：2019-06-25
申请号：CN201480025694.2
申请日：2014-03-05
Applicant: 微软技术许可有限责任公司
IPC: G10L15/16
CPC classification number: G10L15/063 , G06N3/0454 , G06N3/084 , G10L15/16
Abstract: 本文描述了涉及多语言深神经网络(MDNN)的各种技术。MDNN包括多个隐藏层，其中所述多个隐藏层的权重参数的值是在训练阶段期间基于训练数据在多种语言的声学原始特征方面学习的。MDNN进一步包括针对每一目标语言分别训练的softmax层，从而利用使用多种源语言联合训练的隐藏层值。MDNN是能自适应的，使得新softmax层可被添加在现有隐藏层顶上，其中新softmax层对应于新目标语言。
-
Patent Agency Ranking
公开(公告)号：CN107112005A
公开(公告)日：2017-08-29
申请号：CN201580053839.4
申请日：2015-04-17
Applicant: 微软技术许可有限责任公司
IPC: G10L15/02
Abstract: 本文所描述的技术的各方面涉及一种新型的深度神经网络(DNN)。该新的DNN在本文中被描述成深度神经支持向量机(DNSVM)。传统的DNN在顶层和各底层处使用多项逻辑回归(softmax激活)以进行训练。新的DNN改为使用支持向量机(SVM)作为一个或多个层，包括顶层。本文所描述的技术可使用两种训练算法中的一种来训练DNSVM以在最大－间隔标准中学习SVM和DNN的参数。第一种训练方法是帧级训练。在帧级训练中，新的模型被示为与具有DNN特征的多类SVM相关。第二种训练方法是序列级训练。序列级训练与具有DNN特征和HMM状态转移特征的结构化SVM相关。
-
公开(公告)号：CN105960672B
公开(公告)日：2019-11-26
申请号：CN201480075008.2
申请日：2014-09-09
Applicant: 微软技术许可有限责任公司
Abstract: 提供了用于结合环境变量的语音识别的系统和方法。该系统包括：语音捕捉设备(202)；特征提取模块(204)；环境变量模块(206)，其中所述环境变量模块确定环境变量的值；以及语音识别解码器(208)，其中所述语音识别译码器利用深度神经网络(DNN)来识别由所述语音捕捉装置捕捉的语音，其中所述DNN的一个或多个组件被建模为环境变量的一组函数。
-
公开(公告)号：CN105960672A
公开(公告)日：2016-09-21
申请号：CN201480075008.2
申请日：2014-09-09
Applicant: 微软技术许可有限责任公司
Abstract: 提供了用于结合环境变量的语音识别的系统和方法。该系统包括：语音捕捉设备(202)；特征提取模块(204)；环境变量模块(206)，其中所述环境变量模块确定环境变量的值；以及语音识别解码器(208)，其中所述语音识别译码器利用深度神经网络(DNN)来识别由所述语音捕捉装置捕捉的语音，其中所述DNN的一个或多个组件被建模为环境变量的一组函数。
-
公开(公告)号：CN105229725A
公开(公告)日：2016-01-06
申请号：CN201480025694.2
申请日：2014-03-05
Applicant: 微软技术许可有限责任公司
IPC: G10L15/16
CPC classification number: G10L15/063 , G06N3/0454 , G06N3/084 , G10L15/16
Abstract: 本文描述了涉及多语言深神经网络(MDNN)的各种技术。MDNN包括多个隐藏层，其中所述多个隐藏层的权重参数的值是在训练阶段期间基于训练数据在多种语言的声学原始特征方面学习的。MDNN进一步包括针对每一目标语言分别训练的softmax层，从而利用使用多种源语言联合训练的隐藏层值。MDNN是能自适应的，使得新softmax层可被添加在现有隐藏层顶上，其中新softmax层对应于新目标语言。
-
公开(公告)号：CN106170800A
公开(公告)日：2016-11-30
申请号：CN201480068343.X
申请日：2014-09-12
Applicant: 微软技术许可有限责任公司
IPC: G06K9/66
CPC classification number: G06N3/084 , G06N3/0454 , G06N7/005 , G06N20/00 , G09B5/00
Abstract: 提供了用于通过从更大、更准确的“老师”DNN模型“学习”“学生”DNN模型来生成DNN分类器的系统和方法。学生DNN可以通过使未标记训练数据通过可以从已标记训练数据中训练出的老师DNN来从未标记训练数据中训练。在一个实施例中，应用迭代过程以便通过最小化来自老师和学生DNN模型的输出分布的分歧来训练学生DNN。对于直到收敛的每一次迭代，使用这两个DNN的输出中的差别来更新学生DNN模型，并且再次使用未标记训练数据来确定输出。所得到的经训练学生DNN模型可以适合在诸如移动或可穿戴设备之类的具有有限的计算或存储资源的设备上提供准确信号处理应用。在一实施例中，老师DNN模型包括各DNN模型的系综。
-
-
-
-
-
-
Search Results
7
records
(took 0.022 seconds)
