[发明专利]一种面向语音识别的特征迁移学习方法及系统

权利要求书

1.一种面向语音识别的特征迁移学习方法，其特征在于：包括以下步骤：

S1、获取语音信号数据，并将其分别制作为训练集和测试集，其中，训练集中的语音信号数据具有表示语音类别的标签；

S2、利用最大均值差异计算训练集和测试集的特征边缘分布差异；

S3、通过训练集训练一组分类器，将测试集输入该分类器获得测试集的伪标签，利用伪标签计算训练集与测试集的特征间条件分布差异；

S4、建立特征分布差异目标，求解一个映射矩阵，使得训练集和测试集映射到同一子空间上的特征分布差异尽可能小；

其中，所述特征分布差异目标包括：以最小化训练集和测试集的特征边缘分布差异和特征间条件分布差异为基础，将类内距、类间距和图嵌入矩阵作为正则项，使得训练集和测试集映射后不同类别的样本的中心投影点之间的距离尽可能地大，同一类别的样本投影后距离应尽可能地小，且保持邻域间样本的相似关系作为分布差异约束；

构造图嵌入矩阵具体包括步骤：

利用欧氏距离寻找每个样本点的k个近邻点，k＜n，n为样本点数；

计算样本点和近邻点之间的径向基核函数：

其中，u_ij是近邻点x_i、x_j的核函数k(x_i,x_j)的函数值，Φ(x_i)、Φ(x_j)分别是样本点x_i、x_j的高维空间映射值，||x_i-x_j||²是样本点x_i、x_j的欧氏距离，σ为函数的宽度参数；

构造类内与类间相似矩阵，并得到最终的权重矩阵：

2.如权利要求1所述的一种面向语音识别的特征迁移学习方法，其特征在于：所述步骤S2具体表示为：

其中，M₀为边缘分布差异后的MMD矩阵，n_s、n_t分别表示训练集与测试集包含的语音数目，A为映射矩阵。

3.如权利要求2所述的一种面向语音识别的特征迁移学习方法，其特征在于：将训练集和测试集的特征边缘分布差异和特征间条件分布差异结合：

其中，c表示语音样本的类别，分别表示训练集与测试集中同属第c类的语音样本数目；为计算条件分布差异后得到的MMD矩阵。

4.如权利要求3所述的一种面向语音识别的特征迁移学习方法，其特征在于：以训练集和测试集的特征边缘分布差异和特征间条件分布差异的结合为基础，建立特征分布差异的目标函数：

其中，为正则项。

5.如权利要求4所述的一种面向语音识别的特征迁移学习方法，其特征在于：计算类内距与类间距，使映射后的特征具有最大可分性，更新优化目标函数：

其中，Sw表示类内距，Sb表示类间距。