技術(shù)領(lǐng)域

下面的描述涉及神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備和方法以及語音識(shí)別設(shè)備和方法。

背景技術(shù)：

相比于以前的語音識(shí)別技術(shù)，最新的語音識(shí)別技術(shù)吸引了廣泛的關(guān)注。引起這樣的原因是，當(dāng)實(shí)現(xiàn)語音識(shí)別技術(shù)時(shí)，即使在用戶正在駕駛車輛或者執(zhí)行對(duì)于用戶很難使用他或她的手的其他任務(wù)時(shí)，除了互聯(lián)網(wǎng)接入或者辦公室或其他服務(wù)的使用能夠滿足各種用戶的需求之外，可通過語音更加方便地操作因特網(wǎng)信息、電子商務(wù)或者各種普適環(huán)境的使用。

語音識(shí)別技術(shù)中的重要的問題是從周圍環(huán)境有效地去除噪聲。由于來自周圍環(huán)境的噪聲引起的訓(xùn)練環(huán)境與實(shí)際語音識(shí)別環(huán)境之間的不匹配是語音識(shí)別系統(tǒng)的語音識(shí)別性能下降的主要原因之一。

技術(shù)實(shí)現(xiàn)要素：

提供本發(fā)明內(nèi)容用于以簡(jiǎn)化的形式來介紹在下面具體實(shí)施方式中進(jìn)一步描述的構(gòu)思的選擇。本發(fā)明內(nèi)容不意在標(biāo)識(shí)要求保護(hù)的主題的關(guān)鍵特征或必要特征，也不意在作為幫助確定要求保護(hù)的主題的范圍而被使用。

在一個(gè)總體方面中，一種神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備包括：初級(jí)訓(xùn)練器，被構(gòu)造為基于干凈的訓(xùn)練數(shù)據(jù)和與干凈的訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的目標(biāo)數(shù)據(jù)，來執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練；二級(jí)訓(xùn)練器，被構(gòu)造為基于帶噪訓(xùn)練數(shù)據(jù)和在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布，來執(zhí)行已經(jīng)執(zhí)行初級(jí)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的二級(jí)訓(xùn)練。

二級(jí)訓(xùn)練器還可被構(gòu)造為：使用帶噪訓(xùn)練數(shù)據(jù)作為輸入并且使用在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布作為目標(biāo)，來執(zhí)行已經(jīng)執(zhí)行初級(jí)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的二級(jí)訓(xùn)練。

帶噪訓(xùn)練數(shù)據(jù)可包括：使干凈的訓(xùn)練數(shù)據(jù)失真所得的數(shù)據(jù)或者干凈的訓(xùn)練數(shù)據(jù)與訓(xùn)練噪聲數(shù)據(jù)混合的數(shù)據(jù)。

神經(jīng)網(wǎng)絡(luò)模型可以是基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)模型。

初始訓(xùn)練器還可被構(gòu)造為：使用執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練以從干凈的訓(xùn)練數(shù)據(jù)獲得目標(biāo)數(shù)據(jù)的第一目標(biāo)函數(shù)，來執(zhí)行初級(jí)訓(xùn)練。

二級(jí)訓(xùn)練器還可被構(gòu)造為：使用作為在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布與神經(jīng)網(wǎng)絡(luò)模型的輸出層的激活函數(shù)的組合的第二目標(biāo)函數(shù)，來執(zhí)行二級(jí)訓(xùn)練。

二級(jí)訓(xùn)練器還可被構(gòu)造為：使用作為以下兩個(gè)目標(biāo)函數(shù)的加權(quán)和的第二目標(biāo)函數(shù)來執(zhí)行二級(jí)訓(xùn)練：執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練以從干凈的訓(xùn)練數(shù)據(jù)獲得目標(biāo)數(shù)據(jù)的目標(biāo)函數(shù)，以及作為在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布與神經(jīng)網(wǎng)絡(luò)模型的輸出層的激活函數(shù)的組合的目標(biāo)函數(shù)。

在另一個(gè)總體方面中，一種神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法包括：基于干凈的訓(xùn)練數(shù)據(jù)和與干凈的訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的目標(biāo)數(shù)據(jù)，來執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練；基于帶噪訓(xùn)練數(shù)據(jù)和在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布，來執(zhí)行已經(jīng)執(zhí)行初級(jí)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的二級(jí)訓(xùn)練。

二級(jí)訓(xùn)練可包括：使用帶噪訓(xùn)練數(shù)據(jù)作為輸入并且使用在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布作為目標(biāo)，來執(zhí)行已經(jīng)執(zhí)行初級(jí)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的二級(jí)訓(xùn)練。

帶噪訓(xùn)練數(shù)據(jù)可包括：使干凈的訓(xùn)練數(shù)據(jù)失真所得的數(shù)據(jù)或者干凈的訓(xùn)練數(shù)據(jù)與訓(xùn)練噪聲數(shù)據(jù)混合的數(shù)據(jù)。

神經(jīng)網(wǎng)絡(luò)模型可以是基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)模型。

執(zhí)行初級(jí)訓(xùn)練的步驟可包括：使用執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練以從干凈的訓(xùn)練數(shù)據(jù)獲得目標(biāo)數(shù)據(jù)的第一目標(biāo)函數(shù)，來執(zhí)行初級(jí)訓(xùn)練。

執(zhí)行二級(jí)訓(xùn)練的步驟可包括：使用作為在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布與神經(jīng)網(wǎng)絡(luò)模型的輸出層的激活函數(shù)的組合的第二目標(biāo)函數(shù)，來執(zhí)行二級(jí)訓(xùn)練。

執(zhí)行二級(jí)訓(xùn)練的步驟可包括：使用作為以下兩個(gè)目標(biāo)函數(shù)的加權(quán)和的第二目標(biāo)函數(shù)來執(zhí)行二級(jí)訓(xùn)練：執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練以從干凈的訓(xùn)練數(shù)據(jù)獲得目標(biāo)數(shù)據(jù)的目標(biāo)函數(shù)，以及作為在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布與神經(jīng)網(wǎng)絡(luò)模型的輸出層的激活函數(shù)的組合的目標(biāo)函數(shù)。

在另一個(gè)總體方面中，一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)在被處理器執(zhí)行時(shí)使得處理器執(zhí)行上述方法的指令。

在另一個(gè)總體方面中，一種語音識(shí)別設(shè)備包括：特征提取器，被構(gòu)造為提取帶噪語音數(shù)據(jù)的特征；音素概率計(jì)算器，被構(gòu)造為使用聲學(xué)模型來計(jì)算與提取的特征對(duì)應(yīng)的音素的概率；其中，聲學(xué)模型是已經(jīng)執(zhí)行了初級(jí)訓(xùn)練和二級(jí)訓(xùn)練的聲學(xué)模型，其中，基于語音訓(xùn)練數(shù)據(jù)和與語音訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的音素序列執(zhí)行初級(jí)訓(xùn)練，并且基于帶噪語音訓(xùn)練數(shù)據(jù)和在聲學(xué)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)語音訓(xùn)練數(shù)據(jù)的輸出類的概率分布執(zhí)行二級(jí)訓(xùn)練。

可使用語音訓(xùn)練數(shù)據(jù)作為輸入并且使用與語音訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的音素序列作為目標(biāo)，來執(zhí)行聲學(xué)模型的初級(jí)訓(xùn)練。

可使用帶噪語音訓(xùn)練數(shù)據(jù)作為輸入并且使用在聲學(xué)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)語音訓(xùn)練數(shù)據(jù)的輸出類的概率分布作為目標(biāo)，來執(zhí)行聲學(xué)模型的二級(jí)訓(xùn)練。

帶噪語音訓(xùn)練數(shù)據(jù)可包括：使語音訓(xùn)練數(shù)據(jù)失真所得的數(shù)據(jù)或者語音訓(xùn)練數(shù)據(jù)與訓(xùn)練噪聲數(shù)據(jù)混合的數(shù)據(jù)。

聲學(xué)模型可以是基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)模型。

可使用執(zhí)行聲學(xué)模型的訓(xùn)練以從語音訓(xùn)練數(shù)據(jù)獲得音素的第一目標(biāo)函數(shù)，來執(zhí)行聲學(xué)模型的初級(jí)訓(xùn)練。

可使用作為在聲學(xué)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)語音訓(xùn)練數(shù)據(jù)的輸出類的概率分布與聲學(xué)模型的輸出層的激活函數(shù)的組合的第二目標(biāo)函數(shù)，來執(zhí)行聲學(xué)模型的二級(jí)訓(xùn)練。

可使用作為以下兩個(gè)目標(biāo)函數(shù)的加權(quán)和的第二目標(biāo)函數(shù)來執(zhí)行聲學(xué)模型的二級(jí)訓(xùn)練：執(zhí)行聲學(xué)模型的訓(xùn)練以從語音訓(xùn)練數(shù)據(jù)獲得音素的目標(biāo)函數(shù)，以及作為在聲學(xué)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)語音訓(xùn)練數(shù)據(jù)的輸出類的概率分布與聲學(xué)模型的輸出層的激活函數(shù)的組合的目標(biāo)函數(shù)。

在另一個(gè)總體方面中，一種神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備包括：初級(jí)訓(xùn)練器，被構(gòu)造為基于干凈的訓(xùn)練數(shù)據(jù)和硬目標(biāo)數(shù)據(jù)，來執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練；二級(jí)訓(xùn)練器，被構(gòu)造為基于帶噪訓(xùn)練數(shù)據(jù)和在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間獲得的軟目標(biāo)數(shù)據(jù)，來執(zhí)行已經(jīng)執(zhí)行初級(jí)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的二級(jí)訓(xùn)練。

可通過使干凈的訓(xùn)練數(shù)據(jù)失真或?qū)⒏蓛舻挠?xùn)練數(shù)據(jù)與噪聲進(jìn)行混合，來獲得帶噪訓(xùn)練數(shù)據(jù)。

軟目標(biāo)數(shù)據(jù)可以是在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布。

二級(jí)訓(xùn)練器還可被構(gòu)造為：基于帶噪訓(xùn)練數(shù)據(jù)、軟目標(biāo)數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)模型的輸出層的激活函數(shù)，來執(zhí)行二級(jí)訓(xùn)練。

從下面的具體實(shí)施方式、附圖和權(quán)利要求，其他特征和方面將是清楚的。

附圖說明

圖1是示出神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備的示例的示圖。

圖2是示出神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備的另一示例的示圖。

圖3是示出語音識(shí)別設(shè)備的示例的框圖。

圖4是示出神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法的示例的流程圖。

圖5是示出神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法的另一示例的流程圖。

圖6是示出語音識(shí)別方法的示例的流程圖。

圖7是示出計(jì)算帶噪語音數(shù)據(jù)的音素概率的方法的示例的流程圖。

貫穿附圖和具體實(shí)施方式，相同的參考標(biāo)號(hào)表示相同的元件。附圖可不成比例，并且為了清楚、說明和方便，附圖中的元件的相對(duì)大小、比例和描繪可被夸大。

具體實(shí)施方式

提供下面詳細(xì)的描述來幫助讀者獲得對(duì)在此描述的方法、設(shè)備和/或系統(tǒng)的全面理解。然而，在理解了本申請(qǐng)的公開之后，在此描述的方法、設(shè)備和/或系統(tǒng)的各種改變、修改和等同物將是清楚的。例如，在此描述的操作的順序僅是示例，并且不受限于在此闡述的順序，而是除了必須按特定的順序發(fā)生的操作之外，在理解了本申請(qǐng)的公開之后將會(huì)清楚，操作順序可被改變。另外，為了更加清楚和簡(jiǎn)明，本領(lǐng)域已知的特征的描述可被省略。

在此描述的特征可以以不同的形式來實(shí)現(xiàn)，并且不被解釋為受限于在此描述的示例。相反，已經(jīng)提供在此描述的示例，僅為了示出實(shí)現(xiàn)在此描述的方法、設(shè)備和/或系統(tǒng)的許多可行方式中的一些，這在理解了本申請(qǐng)的公開之后將是清楚的。

圖1是示出神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備的示例的示圖。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備100是使用多條件訓(xùn)練(MCT)技術(shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的設(shè)備。在一個(gè)示例中，神經(jīng)網(wǎng)絡(luò)模型是包括多個(gè)隱藏層的基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)模型，但這僅是示例，神經(jīng)網(wǎng)絡(luò)模型不受限于此?？墒褂玫湫偷姆聪騻鞑ゼ夹g(shù)(例如，梯度下降算法、隨機(jī)梯度下降算法或其他反向傳播技術(shù))來訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。

參照?qǐng)D1，神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備100可包括初級(jí)訓(xùn)練器110和二級(jí)訓(xùn)練器120。

初級(jí)訓(xùn)練器110基于干凈的訓(xùn)練數(shù)據(jù)和與干凈的訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的目標(biāo)數(shù)據(jù)來執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練。換言之，初級(jí)訓(xùn)練器110基于干凈的訓(xùn)練數(shù)據(jù)和硬目標(biāo)數(shù)據(jù)來執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練。干凈的訓(xùn)練數(shù)據(jù)是不包含噪聲的訓(xùn)練數(shù)據(jù)。在一個(gè)示例中，初級(jí)訓(xùn)練器110使用干凈的訓(xùn)練數(shù)據(jù)作為輸入并且使用與干凈的訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的目標(biāo)數(shù)據(jù)作為目標(biāo)，來執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練。

在一個(gè)示例中，初級(jí)訓(xùn)練器110使用執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練以從干凈的訓(xùn)練數(shù)據(jù)獲得對(duì)應(yīng)的目標(biāo)數(shù)據(jù)的目標(biāo)函數(shù)(以下，稱為第一目標(biāo)函數(shù))，來執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練。例如，第一目標(biāo)函數(shù)可使用主要用于多類分類的交叉熵。這可以通過下面的等式1來表示。

在等式1中，n表示輸入數(shù)據(jù)(即，干凈的訓(xùn)練數(shù)據(jù))的樣本的索引，N表示輸入數(shù)據(jù)的樣本的總數(shù)量，k表示輸出類的索引，K表示輸出類的總數(shù)量，X_n表示干凈的訓(xùn)練數(shù)據(jù)的第n樣本，y_k(X_n)表示神經(jīng)網(wǎng)絡(luò)模型的輸出層的激活函數(shù)。當(dāng)針對(duì)X_n的第k輸出類是目標(biāo)類時(shí)，t_nk具有1值，否則，t_nk具有0值。

二級(jí)訓(xùn)練器120基于帶噪訓(xùn)練數(shù)據(jù)和在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布，來執(zhí)行已經(jīng)執(zhí)行初級(jí)網(wǎng)絡(luò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的二級(jí)訓(xùn)練。換言之，二級(jí)訓(xùn)練器120基于帶噪訓(xùn)練數(shù)據(jù)和在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間獲得的軟目標(biāo)數(shù)據(jù)，來執(zhí)行已經(jīng)執(zhí)行初級(jí)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的二級(jí)訓(xùn)練。其中，軟目標(biāo)數(shù)據(jù)是在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布。在一個(gè)示例中，二級(jí)訓(xùn)練器120使用帶噪訓(xùn)練數(shù)據(jù)作為輸入并且使用在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布作為目標(biāo)，來執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的二級(jí)訓(xùn)練。帶噪訓(xùn)練數(shù)據(jù)可以是使干凈的訓(xùn)練數(shù)據(jù)失真所得的數(shù)據(jù)或者干凈的訓(xùn)練數(shù)據(jù)與訓(xùn)練噪聲數(shù)據(jù)混合的數(shù)據(jù)。例如，帶噪訓(xùn)練數(shù)據(jù)可以是干凈的訓(xùn)練數(shù)據(jù)與各種噪聲數(shù)據(jù)混合的數(shù)據(jù)，或者可以是通過將各種修改(例如，在圖像數(shù)據(jù)情況下的旋轉(zhuǎn)、部分覆蓋、顏色或照明度的改變或者其他修改，以及在語音數(shù)據(jù)情況下的混響或者其他修改)添加到干凈的訓(xùn)練數(shù)據(jù)而生成的失真數(shù)據(jù)。

在一個(gè)示例中，二級(jí)訓(xùn)練器120使用執(zhí)行訓(xùn)練以獲得在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布的目標(biāo)函數(shù)(以下，稱為第二目標(biāo)函數(shù))，來執(zhí)行已經(jīng)執(zhí)行初級(jí)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的二級(jí)訓(xùn)練。第二目標(biāo)函數(shù)可以由在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布與神經(jīng)網(wǎng)絡(luò)模型的輸出層的激活函數(shù)的組合組成。

例如，第二目標(biāo)函數(shù)可使用主要用于多類分類的交叉熵。這可以通過下面的等式2來表示。

在等式2中，n表示輸入數(shù)據(jù)(即，帶噪訓(xùn)練數(shù)據(jù))的樣本的索引，N表示輸入數(shù)據(jù)的樣本的總數(shù)量，k表示輸出類的索引，K表示輸出類的總數(shù)量，X_n表示帶噪訓(xùn)練數(shù)據(jù)的第n樣本，y_k(X_n)表示神經(jīng)網(wǎng)絡(luò)模型的輸出層的激活函數(shù)。s_nk表示作為在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布的針對(duì)第n干凈的訓(xùn)練數(shù)據(jù)樣本的第k輸出類的概率分布。

在另一個(gè)示例中，第二目標(biāo)函數(shù)可使用主要用于回歸的歐幾里得距離。這可以通過下面的等式3來表示。

在等式3中，n表示輸入數(shù)據(jù)(即，帶噪訓(xùn)練數(shù)據(jù))的樣本的索引，k表示輸出類的索引，X_n表示帶噪訓(xùn)練數(shù)據(jù)的第n樣本，y_k(X_n)表示神經(jīng)網(wǎng)絡(luò)模型的輸出層的激活函數(shù)。s_nk表示作為在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布的針對(duì)第n干凈的訓(xùn)練數(shù)據(jù)樣本的第k輸出類的概率分布。

在另一個(gè)示例中，第二目標(biāo)函數(shù)可以由等式1的目標(biāo)函數(shù)與等式2的目標(biāo)函數(shù)的加權(quán)和，或者等式1的目標(biāo)函數(shù)與等式3的目標(biāo)函數(shù)的加權(quán)和組成。這可以通過下面的等式4和等式5來表示。

在等式4和等式5中，λ表示權(quán)重，并且可根據(jù)系統(tǒng)的性能和應(yīng)用被設(shè)置為各種值。

目前描述了初級(jí)訓(xùn)練器110和二級(jí)訓(xùn)練器120使用各自的目標(biāo)函數(shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的示例，但是第一目標(biāo)函數(shù)和第二目標(biāo)函數(shù)可被集成為單個(gè)集成目標(biāo)函數(shù)。

在一個(gè)示例中，集成目標(biāo)函數(shù)可通過下面的等式6來表示。

在等式6中，dn在輸入為干凈的訓(xùn)練數(shù)據(jù)時(shí)具有0值，在輸入為帶噪訓(xùn)練數(shù)據(jù)時(shí)具有1值。λ(d_n)表示權(quán)重，且在d_n為0時(shí)(即，在輸入為干凈的訓(xùn)練數(shù)據(jù)時(shí))具有0值。λ(d_n)可在d_n為1時(shí)(即，在輸入為帶噪訓(xùn)練數(shù)據(jù)時(shí))根據(jù)系統(tǒng)的性能和應(yīng)用被設(shè)置為各種值。

在另一個(gè)示例中，集成目標(biāo)函數(shù)可通過下面的等式7來表示。

在等式7中，d_n在輸入為干凈的訓(xùn)練數(shù)據(jù)時(shí)具有0值，在輸入為帶噪訓(xùn)練數(shù)據(jù)時(shí)具有1值。λ(d_n)表示權(quán)重，且在d_n為0時(shí)(即，在輸入為干凈的訓(xùn)練數(shù)據(jù)時(shí))具有0值。λ(d_n)可在d_n為1時(shí)(即，在輸入為帶噪訓(xùn)練數(shù)據(jù)時(shí))根據(jù)系統(tǒng)的性能和應(yīng)用被設(shè)置為各種值。

圖2是示出神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備的另一示例的示圖。

參照?qǐng)D2，當(dāng)與圖1的神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備100相比時(shí)，神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備200還包括數(shù)據(jù)獲取器210、混合器220、特征提取器230和存儲(chǔ)單元240。

數(shù)據(jù)獲取器210獲取用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的干凈的訓(xùn)練數(shù)據(jù)和訓(xùn)練噪聲數(shù)據(jù)。在一個(gè)示例中，數(shù)據(jù)獲取器210從預(yù)定的數(shù)據(jù)庫(DB)或外部裝置獲取干凈的訓(xùn)練數(shù)據(jù)和訓(xùn)練噪聲數(shù)據(jù)。

混合器220通過將干凈的訓(xùn)練數(shù)據(jù)與訓(xùn)練噪聲數(shù)據(jù)混合來生成帶噪訓(xùn)練數(shù)據(jù)?？蛇x擇地，混合器220通過將各種改變(例如，在圖像數(shù)據(jù)情況下的旋轉(zhuǎn)、部分覆蓋、顏色或照明度的改變或者其他修改，以及在語音數(shù)據(jù)情況下的混響或者其他修改)添加到干凈的訓(xùn)練數(shù)據(jù)，來生成帶噪訓(xùn)練數(shù)據(jù)。

特征提取器230使用預(yù)定的算法來提取干凈的訓(xùn)練數(shù)據(jù)和帶噪訓(xùn)練數(shù)據(jù)的特征(例如，濾波器組)。只要能夠提取可從干凈的訓(xùn)練數(shù)據(jù)和帶噪訓(xùn)練數(shù)據(jù)識(shí)別出干凈的訓(xùn)練數(shù)據(jù)和帶噪訓(xùn)練數(shù)據(jù)中的每一個(gè)的特征，對(duì)于預(yù)定的算法的類型和功能就沒有限制。

初級(jí)訓(xùn)練器110使用通過特征提取器230提取的干凈的訓(xùn)練數(shù)據(jù)的特征數(shù)據(jù)作為輸入來執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練，二級(jí)訓(xùn)練器120使用通過特征提取器230提取的帶噪訓(xùn)練數(shù)據(jù)的特征數(shù)據(jù)作為輸入來執(zhí)行已經(jīng)執(zhí)行初級(jí)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的二級(jí)訓(xùn)練。

存儲(chǔ)單元240存儲(chǔ)通過初級(jí)訓(xùn)練器110獲得的神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練結(jié)果以及在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布。

存儲(chǔ)單元240可作為存儲(chǔ)介質(zhì)包括以下項(xiàng)中的任意一個(gè)、或任意兩個(gè)或更多個(gè)的任意組合：閃存、硬盤、多媒體卡(MMC)、MMCmicro、存儲(chǔ)卡(例如，安全數(shù)字(SD)存儲(chǔ)卡或極速數(shù)字(XD)存儲(chǔ)卡)、隨機(jī)存取存儲(chǔ)器(RAM)、靜態(tài)隨機(jī)存取存儲(chǔ)器(SRAM)、只讀存儲(chǔ)器(ROM)、電可擦可編程只讀存儲(chǔ)器(EEPROM)、可編程只讀存儲(chǔ)器(PROM)、磁存儲(chǔ)器、磁盤和光盤。

在圖2的示例中，存儲(chǔ)單元240包括在神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備200中，但不受限于此。換句話講，存儲(chǔ)單元240可如圖2所示位于神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備200的內(nèi)部，或者可以是連接到神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備200的分開的外部組件。

以下，將詳細(xì)描述使用由圖1的神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備100或圖2的神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備200生成的聲學(xué)模型的語音識(shí)別的設(shè)備。

圖3是示出語音識(shí)別設(shè)備的示例的框圖。語音設(shè)別設(shè)備300可以以硬件芯片的形式制造，并安裝在電子裝置中。電子裝置可以是TV、導(dǎo)航單元、車載電子裝置、智能電話、平板PC、智能手表、臺(tái)式計(jì)算機(jī)、膝上型PC或可穿戴裝置，但不受限于此。

參照?qǐng)D3，語音識(shí)別設(shè)備300包括輸入單元310、聲學(xué)模型存儲(chǔ)單元320和計(jì)算器330。

輸入單元310接收將被執(zhí)行語音識(shí)別的帶噪語音數(shù)據(jù)。帶噪語音數(shù)據(jù)是混合有噪聲的語音數(shù)據(jù)。

聲學(xué)模型存儲(chǔ)單元320存儲(chǔ)預(yù)先訓(xùn)練的聲學(xué)模型。聲學(xué)模型可以是通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備100或神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備200訓(xùn)練的基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)模型。

在一個(gè)示例中，聲學(xué)模型是作為基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)模型的使用MCT技術(shù)訓(xùn)練的聲學(xué)模型。例如，聲學(xué)模型是已經(jīng)執(zhí)行了初級(jí)訓(xùn)練和二級(jí)訓(xùn)練的聲學(xué)模型，其中，基于語音訓(xùn)練數(shù)據(jù)和與語音訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的音素序列執(zhí)行初級(jí)訓(xùn)練，并基于帶噪語音訓(xùn)練數(shù)據(jù)和在聲學(xué)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)語音訓(xùn)練數(shù)據(jù)的輸出類的概率分布執(zhí)行二級(jí)訓(xùn)練。訓(xùn)練的帶噪語音訓(xùn)練數(shù)據(jù)可以是通過將語音訓(xùn)練數(shù)據(jù)與訓(xùn)練噪聲數(shù)據(jù)進(jìn)行混合獲得的數(shù)據(jù)。

可使用等式1至等式7的目標(biāo)函數(shù)中的任意一個(gè)來訓(xùn)練聲學(xué)模型。例如，可使用等式1的目標(biāo)函數(shù)來對(duì)聲學(xué)模型執(zhí)行初級(jí)訓(xùn)練，然后可使用等式2至等式5的目標(biāo)函數(shù)中的一個(gè)來對(duì)聲學(xué)模型執(zhí)行二級(jí)訓(xùn)練。在另一個(gè)示例中，可使用等式6和等式7的集成目標(biāo)函數(shù)中的一個(gè)來對(duì)聲學(xué)模型執(zhí)行初級(jí)訓(xùn)練和二級(jí)訓(xùn)練二者。

聲學(xué)模型存儲(chǔ)單元320可作為存儲(chǔ)介質(zhì)包括以下各項(xiàng)中的任意一個(gè)、或任意兩個(gè)或更多個(gè)的任意組合：閃存、硬盤、多媒體卡(MMC)、MMCmicro、存儲(chǔ)卡(例如，SD存儲(chǔ)卡或XD存儲(chǔ)卡)、RAM、SRAM、ROM、EEPROM、PROM、磁存儲(chǔ)器、磁盤和光盤。

在圖3的示例中，聲學(xué)模型存儲(chǔ)單元320包括在語音識(shí)別設(shè)備300中，但不受限于此。換句話講，聲學(xué)模型存儲(chǔ)單元320可如圖3所示位于語音識(shí)別設(shè)備300的內(nèi)部，或者可以是連接到語音識(shí)別設(shè)備300的分開的外部組件。

計(jì)算器330使用存儲(chǔ)在聲學(xué)模型存儲(chǔ)單元320中的聲學(xué)模型來計(jì)算接收的帶噪語音數(shù)據(jù)的音素概率。為了完成這個(gè)操作，計(jì)算器330包括特征提取器331和音素概率計(jì)算器332。

特征提取器331使用預(yù)定的算法來提取接收的帶噪語音數(shù)據(jù)的特征。只要能夠提取可從其他帶噪語音數(shù)據(jù)中識(shí)別出帶噪語音數(shù)據(jù)的特征，對(duì)于預(yù)定的算法的類型和功能就沒有限制。

音素概率計(jì)算器332使用存儲(chǔ)在聲學(xué)模型存儲(chǔ)單元320中的聲學(xué)模型來計(jì)算與通過特征提取器331提取的帶噪語音數(shù)據(jù)的特征對(duì)應(yīng)的音素的概率。

在圖3的示例中，語音識(shí)別設(shè)備300包括輸入單元310和聲學(xué)模型存儲(chǔ)單元320，但是可根據(jù)系統(tǒng)的性能和應(yīng)用省略輸入單元310和聲學(xué)模型存儲(chǔ)單元320。

圖4是示出神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法的示例的流程圖?？赏ㄟ^圖1的神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備100執(zhí)行圖4的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法。

參照?qǐng)D1和圖4，在操作410中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備100基于干凈的訓(xùn)練數(shù)據(jù)和與干凈的訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的目標(biāo)數(shù)據(jù)，來執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練。例如，神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備100使用干凈的訓(xùn)練數(shù)據(jù)作為輸入并且使用與干凈的訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的目標(biāo)數(shù)據(jù)作為目標(biāo)，來執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練。神經(jīng)網(wǎng)絡(luò)模型可以是包括多個(gè)隱藏層的基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)模型，但這僅是示例，神經(jīng)網(wǎng)絡(luò)模型不受限于此。

在一個(gè)示例中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備100使用等式1的目標(biāo)函數(shù)(第一目標(biāo)函數(shù))來執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練。

在操作420中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備100基于帶噪訓(xùn)練數(shù)據(jù)和在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布，來執(zhí)行已經(jīng)執(zhí)行初級(jí)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的二級(jí)訓(xùn)練。例如，神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備100使用帶噪訓(xùn)練數(shù)據(jù)作為輸入并且使用在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布作為目標(biāo)，來執(zhí)行已經(jīng)執(zhí)行初級(jí)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的二級(jí)訓(xùn)練。帶噪訓(xùn)練數(shù)據(jù)可以是使干凈的訓(xùn)練數(shù)據(jù)失真所得的數(shù)據(jù)或者干凈的訓(xùn)練數(shù)據(jù)與訓(xùn)練噪聲數(shù)據(jù)混合的數(shù)據(jù)。例如，帶噪訓(xùn)練數(shù)據(jù)可以是干凈的訓(xùn)練數(shù)據(jù)與各種噪聲數(shù)據(jù)混合的數(shù)據(jù)，或者可以是通過將各種修改(例如，在圖像數(shù)據(jù)情況下的旋轉(zhuǎn)、部分覆蓋、顏色或照明度的改變或者其他修改，以及在語音數(shù)據(jù)情況下的混響或者其他修改)添加到干凈的訓(xùn)練數(shù)據(jù)而生成的失真數(shù)據(jù)。

在一個(gè)示例中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備100使用等式2至等式5的目標(biāo)函數(shù)(第二目標(biāo)函數(shù))中的一個(gè)，來執(zhí)行已經(jīng)執(zhí)行初級(jí)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的二級(jí)訓(xùn)練。

雖然已經(jīng)描述了神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備100在初級(jí)訓(xùn)練操作410和二級(jí)訓(xùn)練操作420中使用各自的目標(biāo)函數(shù)(第一目標(biāo)函數(shù)和第二目標(biāo)函數(shù))來訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的示例，但是第一目標(biāo)函數(shù)和第二目標(biāo)函數(shù)可被集成為單個(gè)集成目標(biāo)函數(shù)。例如，神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備100可使用等式6或等式7的集成目標(biāo)函數(shù)，來執(zhí)行初級(jí)訓(xùn)練操作410和二級(jí)訓(xùn)練操作420二者。

圖5是示出神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法的另一個(gè)示例的流程圖?？赏ㄟ^圖2的神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備200來執(zhí)行圖5的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法。

當(dāng)與圖4的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法相比時(shí)，圖5的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法還包括操作510至操作540。圖5中的操作410和操作420與圖4中的操作410和操作420相同，因此將省略它們的重復(fù)的描述。

參照?qǐng)D2和圖5，在操作510中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備200獲取用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的干凈的訓(xùn)練數(shù)據(jù)和訓(xùn)練噪聲數(shù)據(jù)。在一個(gè)示例中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備200從預(yù)定的DB或外部裝置獲取干凈的訓(xùn)練數(shù)據(jù)和訓(xùn)練噪聲數(shù)據(jù)。

在操作520中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備200通過將干凈的訓(xùn)練數(shù)據(jù)和訓(xùn)練噪聲數(shù)據(jù)混合來生成帶噪訓(xùn)練數(shù)據(jù)?？蛇x擇地，神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備200可通過將各種修改(例如，在圖像數(shù)據(jù)情況下的旋轉(zhuǎn)、部分覆蓋、顏色或照明度的改變或者其他修改，以及在語音數(shù)據(jù)情況下的混響或者其他修改)添加到干凈的訓(xùn)練數(shù)據(jù)來生成帶噪訓(xùn)練數(shù)據(jù)。

在操作530中，用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備200使用預(yù)定的算法，來提取干凈的訓(xùn)練數(shù)據(jù)和帶噪訓(xùn)練數(shù)據(jù)的特征(例如，濾波器組)。只要能夠提取可從干凈的訓(xùn)練數(shù)據(jù)和帶噪訓(xùn)練數(shù)據(jù)識(shí)別出干凈的訓(xùn)練數(shù)據(jù)和帶噪訓(xùn)練數(shù)據(jù)中的每一個(gè)樣本的特征，對(duì)于預(yù)定的算法的類型和功能就沒有限制。

在操作540中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備200存儲(chǔ)神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練的初級(jí)訓(xùn)練結(jié)果以及在神經(jīng)網(wǎng)絡(luò)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)干凈的訓(xùn)練數(shù)據(jù)的輸出類的概率分布。

圖6是示出語音識(shí)別方法的示例的流程圖。可通過圖3的語音識(shí)別設(shè)備300執(zhí)行圖6的語音識(shí)別方法。

參照?qǐng)D3和圖6，在操作610中，語音識(shí)別設(shè)備300接收將被執(zhí)行語音識(shí)別的帶噪語音數(shù)據(jù)。帶噪語音數(shù)據(jù)是混合有噪聲的語音數(shù)據(jù)。在操作620中，語音識(shí)別設(shè)備300使用預(yù)先訓(xùn)練的聲學(xué)模型來計(jì)算接收的帶噪語音數(shù)據(jù)的音素概率。

聲學(xué)模型可以是作為基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)模型的使用MCT技術(shù)訓(xùn)練的聲學(xué)模型。例如，聲學(xué)模型可以是已經(jīng)執(zhí)行了初級(jí)訓(xùn)練和二級(jí)訓(xùn)練的聲學(xué)模型，其中，基于語音訓(xùn)練數(shù)據(jù)和與語音訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的音素序列執(zhí)行初級(jí)訓(xùn)練，并基于帶噪語音訓(xùn)練數(shù)據(jù)和在聲學(xué)模型的初級(jí)訓(xùn)練期間計(jì)算的針對(duì)語音訓(xùn)練數(shù)據(jù)的輸出類的概率分布執(zhí)行二級(jí)訓(xùn)練。訓(xùn)練的帶噪語音訓(xùn)練數(shù)據(jù)可以是通過將語音訓(xùn)練數(shù)據(jù)與訓(xùn)練噪聲數(shù)據(jù)進(jìn)行混合獲得的數(shù)據(jù)。

在一個(gè)示例中，使用等式1至等式7的目標(biāo)函數(shù)中的任意一個(gè)來訓(xùn)練聲學(xué)模型。在一個(gè)示例中，使用等式1的目標(biāo)函數(shù)來對(duì)聲學(xué)模型執(zhí)行初級(jí)訓(xùn)練，并使用等式2至等式5的目標(biāo)函數(shù)中的一個(gè)來對(duì)已經(jīng)執(zhí)行了初級(jí)訓(xùn)練的聲學(xué)模型執(zhí)行二級(jí)訓(xùn)練。在另一個(gè)示例中，使用等式6和等式7的集成目標(biāo)函數(shù)中的一個(gè)來對(duì)聲學(xué)模型執(zhí)行初級(jí)訓(xùn)練和二級(jí)訓(xùn)練二者。

圖7是示出計(jì)算帶噪語音數(shù)據(jù)的音素概率的方法的示例的流程圖。圖7的計(jì)算帶噪語音數(shù)據(jù)的音素概率的方法是圖6的操作620的示例。

參照?qǐng)D3和圖7，在操作710中，語音識(shí)別設(shè)備300使用預(yù)定的算法來提取接收的帶噪語音數(shù)據(jù)的特征。只要能夠提取可從帶噪語音數(shù)據(jù)的其他樣本識(shí)別出帶噪語音數(shù)據(jù)的每一個(gè)樣本的特征，對(duì)于預(yù)定的算法的類型和功能就沒有限制。

在操作720中，語音識(shí)別設(shè)備300使用預(yù)先訓(xùn)練的聲學(xué)模型，來計(jì)算與帶噪語音數(shù)據(jù)的提取的特征對(duì)應(yīng)的音素的概率。

通過硬件組件來實(shí)現(xiàn)執(zhí)行本申請(qǐng)中描述的操作的圖1和圖2中的初級(jí)訓(xùn)練器110和二級(jí)訓(xùn)練器120，圖2中的數(shù)據(jù)獲取器210、混合器220、提取器230和存儲(chǔ)單元240，以及圖3中的輸入單元310、聲學(xué)模型存儲(chǔ)單元320、特征提取器331和音素概率計(jì)算器332，其中，硬件組件被構(gòu)造為執(zhí)行本申請(qǐng)中描述的由硬件組件執(zhí)行的操作?？杀挥糜谠谶m當(dāng)?shù)那闆r下執(zhí)行本申請(qǐng)中描述的操作的硬件組件的示例包括：控制器、傳感器、生成器、驅(qū)動(dòng)器、存儲(chǔ)器、比較器、算術(shù)邏輯單元、加法器、減法器、乘法器、除法器、積分器以及被配置為執(zhí)行本申請(qǐng)中描述的操作的任意其他電子組件。在其他示例中，執(zhí)行本申請(qǐng)中描述的操作的硬件組件中的一個(gè)或多個(gè)硬件組件通過計(jì)算硬件(例如，通過一個(gè)或多個(gè)處理器或計(jì)算機(jī))來實(shí)現(xiàn)?？赏ㄟ^一個(gè)或多個(gè)處理元件(諸如，邏輯門陣列、控制器和算術(shù)邏輯單元、數(shù)字信號(hào)處理器、微型計(jì)算機(jī)、可編程邏輯控制器、現(xiàn)場(chǎng)可編程門陣列、可編程邏輯陣列、微處理器或被構(gòu)造為以定義的方式響應(yīng)并執(zhí)行指令以實(shí)現(xiàn)期望的結(jié)果的任意其他裝置或裝置的組合)來實(shí)現(xiàn)處理器或計(jì)算機(jī)。在一個(gè)示例中，處理器或計(jì)算機(jī)包括存儲(chǔ)由處理器或計(jì)算機(jī)執(zhí)行的指令或軟件的一個(gè)或多個(gè)存儲(chǔ)器，或者連接到存儲(chǔ)由處理器或計(jì)算機(jī)執(zhí)行的指令或軟件的一個(gè)或多個(gè)存儲(chǔ)器。通過處理器或計(jì)算機(jī)實(shí)現(xiàn)的硬件組件可執(zhí)行指令或軟件(諸如，操作系統(tǒng)(OS)和在OS上運(yùn)行的一個(gè)或多個(gè)軟件應(yīng)用)，以執(zhí)行本申請(qǐng)中描述的操作。硬件組件還可響應(yīng)于指令或軟件的執(zhí)行來訪問、操控、處理、創(chuàng)建并且存儲(chǔ)數(shù)據(jù)。為了簡(jiǎn)單起見，單數(shù)術(shù)語“處理器”或“計(jì)算機(jī)”可用于本申請(qǐng)中所述的示例的描述，但是在其他的示例中，多個(gè)處理器或計(jì)算機(jī)可被使用，或者一個(gè)處理器或計(jì)算機(jī)可包括多個(gè)處理元件或多種類型的處理元件或二者。例如，單個(gè)硬件組件或者兩個(gè)或更多個(gè)硬件組件可通過單個(gè)處理器、或者兩個(gè)或更多個(gè)處理器、或者一個(gè)處理器和一個(gè)控制器來實(shí)現(xiàn)。一個(gè)或多個(gè)硬件組件可通過一個(gè)或多個(gè)處理器、或者一個(gè)處理器和一個(gè)控制器來實(shí)現(xiàn)，一個(gè)或多個(gè)其他硬件組件可通過一個(gè)或多個(gè)其他處理器、或者另一個(gè)處理器和另一個(gè)控制器來實(shí)現(xiàn)。一個(gè)或多個(gè)處理器或者一個(gè)處理器和一個(gè)控制器可實(shí)現(xiàn)單個(gè)硬件組件或者兩個(gè)或更多個(gè)硬件組件。硬件組件可具有任意一個(gè)或多個(gè)不同的處理配置，其示例包括：?jiǎn)蝹€(gè)處理器、獨(dú)立處理器、并行處理器、單指令單數(shù)據(jù)(SISD)多處理、單指令多數(shù)據(jù)(SIMD)多處理、多指令單數(shù)據(jù)(MISD)多處理以及多指令多數(shù)據(jù)(MIMD)多處理。

圖4至圖7所示的執(zhí)行本申請(qǐng)中描述的操作的方法通過計(jì)算硬件(例如，通過一個(gè)或多個(gè)處理器或計(jì)算機(jī))來執(zhí)行，一個(gè)或多個(gè)處理器或計(jì)算機(jī)如上所述地被實(shí)現(xiàn)為執(zhí)行指令或軟件，以執(zhí)行本申請(qǐng)中描述的通過該方法執(zhí)行的操作。例如，單個(gè)操作或者兩個(gè)或更多個(gè)操作可通過單個(gè)處理器或者兩個(gè)或更多個(gè)處理器或者一個(gè)處理器和一個(gè)控制器來執(zhí)行。一個(gè)或多個(gè)操作可通過一個(gè)或多個(gè)處理器或者一個(gè)處理器和一個(gè)控制器來執(zhí)行，并且一個(gè)或多個(gè)其他操作可通過一個(gè)或多個(gè)其他處理器或者另一個(gè)處理器和另一個(gè)控制器來執(zhí)行。一個(gè)或多個(gè)處理器或者一個(gè)處理器和一個(gè)控制器可執(zhí)行單個(gè)操作或者兩個(gè)或更多個(gè)操作。

用于控制計(jì)算硬件(例如，一個(gè)或多個(gè)處理器或計(jì)算機(jī))實(shí)現(xiàn)硬件組件并執(zhí)行如上所述的方法的指令或軟件可被編寫為計(jì)算機(jī)程序、代碼段、指令或它們的任意組合，以單獨(dú)地或共同地指示或配置一個(gè)或多個(gè)處理器或者計(jì)算機(jī)如機(jī)器或?qū)Ｓ糜?jì)算機(jī)那樣進(jìn)行操作，以執(zhí)行由硬件組件執(zhí)行的操作和如上所述的方法。在一個(gè)示例中，指令或軟件包括由一個(gè)或多個(gè)處理器或者計(jì)算機(jī)直接執(zhí)行的機(jī)器代碼(諸如，由編譯器生成的機(jī)器代碼)。在另一個(gè)示例中，指令或軟件包括由一個(gè)或多個(gè)處理器或者計(jì)算機(jī)使用解釋器執(zhí)行的高級(jí)代碼。可基于附圖中所示的框圖和流程圖以及說明書(其公開了用于執(zhí)行由硬件組件執(zhí)行的操作和如上所述的方法的算法)中的相應(yīng)描述，使用任意編程語言來編寫指令或軟件。

用于控制計(jì)算硬件(例如，一個(gè)或多個(gè)處理器或者計(jì)算機(jī))實(shí)現(xiàn)硬件組件并且執(zhí)行如上所述的方法的指令或軟件以及任意相關(guān)聯(lián)的數(shù)據(jù)、數(shù)據(jù)文件和數(shù)據(jù)結(jié)構(gòu)可被記錄、存儲(chǔ)或固定在一個(gè)或多個(gè)非暫時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，或者可被記錄、存儲(chǔ)或固定在一個(gè)或多個(gè)非暫時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上。非暫時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)的示例包括：只讀存儲(chǔ)器(ROM)、隨機(jī)存取存儲(chǔ)器(RAM)、閃存、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-R LTH、BD-RE、磁帶、軟盤、磁光數(shù)據(jù)存儲(chǔ)裝置、光學(xué)數(shù)據(jù)存儲(chǔ)裝置、硬盤、固態(tài)盤以及任何其它裝置，其中，該任何其它裝置被配置為：以非暫時(shí)性方式存儲(chǔ)指令或軟件以及任何相關(guān)聯(lián)的數(shù)據(jù)、數(shù)據(jù)文件和數(shù)據(jù)結(jié)構(gòu)，并且為一個(gè)或多個(gè)處理器或者計(jì)算機(jī)提供指令或軟件以及任何相關(guān)聯(lián)的數(shù)據(jù)、數(shù)據(jù)文件和數(shù)據(jù)結(jié)構(gòu)，使得一個(gè)或多個(gè)處理器或者計(jì)算機(jī)能夠執(zhí)行指令。在一個(gè)示例中，指令或軟件以及任何相關(guān)聯(lián)的數(shù)據(jù)、數(shù)據(jù)文件和數(shù)據(jù)結(jié)構(gòu)分布于聯(lián)網(wǎng)的計(jì)算機(jī)系統(tǒng)，使得指令和軟件以及任何相關(guān)聯(lián)的數(shù)據(jù)、數(shù)據(jù)文件和數(shù)據(jù)結(jié)構(gòu)通過一個(gè)或多個(gè)處理器或者計(jì)算機(jī)以分布的形式被存儲(chǔ)、訪問和執(zhí)行。

雖然本公開包括特定的示例，但是在理解了本申請(qǐng)的公開之后將清楚，在不脫離權(quán)利要求和它們的等同物的精神和范圍的情況下，可在這些示例中進(jìn)行形式和細(xì)節(jié)的各種改變。在此描述的示例僅在描述性意義上被考慮，而不是為了限制的目的。每一個(gè)示例中的特征或方面的描述被認(rèn)為可應(yīng)用于其他示例中的相似特征或方面。如果描述的技術(shù)以不同的順序被執(zhí)行，和/或如果描述的系統(tǒng)、架構(gòu)、裝置或電路中的組件以不同方式被組合，和/或被其他組件或它們的等同物替換或補(bǔ)充，則可實(shí)現(xiàn)適當(dāng)?shù)慕Y(jié)果。因此，本公開的范圍不是由具體實(shí)施方式限定，而是由權(quán)利要求和它們的等同物限定，并且在權(quán)利要求和它們的等同物的范圍內(nèi)的所有變化將被解釋為包括在本公開內(nèi)。