近來在瞭解卷積神經網絡（CNN），後來查到CNN是受語音信號處理中時延神經網絡（TDNN）影響而發明的。本篇的大部分內容都來自關於TDNN原始文獻【1】的理解和整理。該文寫與1989年，在識別"B", "D", "G"三個濁音中得到98.5%的準確率，高於HMM的93.7%。是CNN的先驅。
普通神經網絡識別音素
在講TDNN之前先說說一般的神經網絡的是怎樣識別音素的吧。假設要識別三個輔音"B", "D", "G"，那麼我們可以設計這樣的神經網絡：
圖1
其中輸入0-12代表每一幀的特徵向量（如13維MFCC特徵）。那麼有人可能會問了，即使在同一個因素"B"中，比如"B"包含20幀，那麼第1幀與第15幀的MFCC特徵也可能不一樣。這個模型合理嗎？事實上，"B"包含的20幀MFCC特徵雖然有可能不一樣，但變化不會太大，對於因素還是有一定區分度的，也就是說這個模型湊合湊合還能用，但效果不會非常好。GMM模型可以用這種模型來解釋。
時延神經網絡（TDNN）
考慮到上述模型只用了一幀特徵，那麼如果我們考慮更多幀，那麼效果會不會好呢？
好，那麼我們設計一個包含多幀的神經網絡，如圖2我們考慮延時爲2，則連續的3幀都會被考慮。其中隱含層起到特徵抽取的作用，輸入層每一個矩形內共有13個小黑點，代表該幀的13維MFCC特徵。假設有10個隱含層（這個不對，意思應該是一個隱層10個節點），那麼連接的權重數目爲3*13*10=390。
圖2
爲了結構緊湊顯示，我們將其重繪爲圖3
圖3
圖3與圖2是等價的。其中每條彩色線代表13*10=130個權重值。三條彩色線爲390個權重。也有資料稱之爲濾波器。
好，如果時間滾滾向前，我們不斷地對語音幀使用濾波器，我們可以得到圖4
圖4
這就是延時神經網絡的精髓了！其中綠色的線權值相同，紅色的線權值相同，藍色的線權值相同。相當於把濾波器延時。輸入與隱層共390個權值變量待確定。
每個隱層矩形內包含10個節點，那麼每條棕色的線包含10個權值，假設輸出層與隱層的延時爲4，則接收5個隱層矩形內的數據，那麼隱層與輸出層合計權值爲10*5*3=150。權值非常少！所以便於訓練。
下面就不難理解文獻【1】上的圖了。思想與上文一樣，不過文章多用了一層隱層（多隱層有更強的特徵提取和抽象能力）
圖5
介紹一下他的做法。Input Layer爲語譜圖，黑塊爲大值，灰塊爲小值。輸入層縱向爲經過mel濾波器的16個特徵（沒用MFCC），橫向爲幀。Input Layer 的延時爲2，映射到Hidden Layer 1的關係爲16*3 -> 8，權值個數爲384。Hidden Layer 1 的延時爲4，映射到Hidden Layer 2的關係爲8*5 -> 3，權值個數爲120。Hidden Layer 2 的延時爲8，映射到輸出層的關係爲3*9 -> 3，權值個數爲81。合計權值爲384+120+81=585。輸出的三個單元分別代表"B", "D", "G"的得分。
訓練方法
（1）和傳統的反向傳播算法一樣。
（2）TDNN有快速算法，有興趣的讀者可以搜索。
小結
總結TDNN的優點有以下：
（1）網絡是多層的，每層對特徵有較強的抽象能力。
（2）有能力表達語音特徵在時間上的關係。
（3）具有時間不變性。
（4）學習過程中不要求對所學的標記進行精確的時間定位。
（5）通過共享權值，方便學習。
參考資料
【1】Waibel A, Hanazawa T, Hinton G, et al. Phoneme recognition using time-delay neural networks[J] （TDNN的原始論文，想了解的同學請細看）
【2】趙力 《語音信號處理》 chap 6.3. 6 （也是對上文的一些解釋和補充說明）
接下來讀者可以看卷積神經網絡了（CNN），相信對CNN的理解會有所幫助。
https://blog.csdn.net/App_12062011/article/details/53433736
轉自：http://blog.csdn.net/richard2357/article/details/16896837