本論文提出以層狀神經網路（layered neural network）作國語塞音（／ㄅ／，／ㄉ
／，／ㄍ／及／ㄆ／，／ㄊ／，／ㄎ／）辨認之研究。網路中之隱藏式神經元個數及
網路參數均加以變化以便探討其對辨認率之影響。
在固定語境（後接元音／ㄚ／）的情形下，其辨認率為９４％，而同樣的資料，採用
貝式分類法（Bayes classifier）可得９５％，兩者極為接近。若以受測者之少量語
音資料來調整神經網路之參數，則辨認率可達９６．８％。在多種語境（後接元音／
ㄚ／，／ㄧ／，／ㄨ／）的實驗中，神經網路之辨認率可達９４％，優於使用貝氏分
類法所得到的９０．２％辨認率。這是因為傳統統計分類法通常需事先假設語音特徵
向量（feature vector）之分布狀況，而神經網路並不需假設語音特徵向量之分布狀
況。貝氏分類法將特徵向量之分布假設為聯合常態分布（joint normal distributi-
on），在多種語境下並不盡理想，而神經網路經由訓練過程，可將特徵空間（featu-
re space）自動作最佳或次佳分割，這是其優於貝氏分類法的主要原因。
為探討神經網路之強韌性或容錯能力，我們將網路中任意去掉一個隱藏式神經元，再
與原來網路之辨認率比較。實驗顯示隱藏式神經元的數量愈多，少掉一個隱藏式神經
元的影響愈小。這証明神經網路可將資訊平均分攤到每個隱藏式神經元。最後，我們
提出一個方法可減少隱藏式神經元個數，但保持資訊量損失在最小的程度。這是將被
去掉之神經元的貢獻，轉移至其餘的神經元上。實驗顯示作這種轉移後，少掉一個隱
藏式神經元的影響非常微小。這証明我們提出的方法相當成功。
|