Mandarin speech recognition (MSR) --> dialect speech recognition (DSR)

主要针对中文语音识别

本文档保存一些文献中的示意图、实验结果及文字表述，并附注文献来源

1. 先前的延迟环动态连接策略是基于说话人识别任务做的，是稀疏度优化的特例，不能表明该策略的普适性，需要补充一些标准公开数据集的实验及数据分析；
2. 稀疏连接对分布式系统的重要性（待开展）；

为什么Fit-DNN的识别性能高于DRC？本文试着从动力系统角度给出分析。相比于DRC，Fit-DNN有了更多的延迟环，且都带有反馈模块，动力系统处理信息的能力(IPC)会因此变强吗？

我们基于NARMA10任务考察IPC，因为该任务需要线性与非线性信息处理能力，考察得比较全面。

全局误差比局部残差低1阶。我们通常所说的数值方法的阶数，指的就是采用这个数值方法的全局误差的阶数。

基于动力系统的储油池计算，Mackey-Glass system适用于电子实现，Ikeda system适用于光电实现；基于口述数字识别数据集 Free Spoken Digit Dataset (FSDD)完成仿真实验。主要考察内容：

• [x] 实现MG/Ikeda-based的DRC框架
• [x] Lyon耳蜗模型 VS MFCC

主要工作节点：

• [x] Fit-RNN的实现：前后向传播的修改
• [x] 与Fit-DNN的对比：为什么不直接在输入端考虑前后帧？
• [x] 修改非线性函数后对比：sin＞tanh
• [x] 与Reservoir Computing的比较
• [x] Lyon VS MFCC：MFCC
• [x] 基于Ikeda的DRC
• [x] 三个模型的对比：长语音、短语音

请注意，本文的回答不保证准确性，Chat GPT没有权威验证！