基于深度神经网络的噪声环境下对话行为分类模型
【摘要】 对话行为可以在一定程度上表达说话人的意图，对话行为分类是机器翻译、人机交互设计等领域的基本要求，对于语音识别领域具有重要的意义。针对噪音环境下的对话行为分类提出了一种新的模型，通过快速噪声估计谱减法进行语音增强，采用长短期记忆网络对经过卷积神经网络语言嵌入后的词向量进行学习，从而得到具有抗噪性的对话行为分类模型。使用中文日常用语语料库的样本进行了多组对比试验，以测试新模型的抗噪声能力和对话行为分类的准确性。结果表明在0dB的噪声环境下，，为噪音环境下的对话模型的对话行为分类准确度达到95.5%分类提供了一种新的模型。
