1、深度學習(Deep Learning)是一種基于人工神經(jīng)網(wǎng)絡的無監(jiān)督學習方法，是近年來興起的一種新型混合機器學習模型，在最近幾年，基于深度學習的一些模型被逐漸應用到語音識別領域，并取得一些驚人的成果。另外，深層的網(wǎng)絡模型訓練需要大量的計算資源，POWER8架構高性能處理平臺為大數(shù)據(jù)時代的海量數(shù)據(jù)處理提供強力的支撐，尤其是它搭載了強勁浮點運算單元以及多線程并行技術，這非常符合神經(jīng)網(wǎng)絡模型處理語音和圖像數(shù)據(jù)的計算需求。本文基于POWER8架

2、構運算平臺，利用深度卷積神經(jīng)網(wǎng)絡模型對語音特征數(shù)據(jù)進行處理，并通過實驗證明該方法可以達到較好的語音識別效果。
　　本文依托POWER8架構高性能處理平臺，將卷積神經(jīng)網(wǎng)絡模型（CNN）替換傳統(tǒng)的語音模型，即高斯混合模型。為了將卷積神經(jīng)網(wǎng)絡模型高效的應用于語音模型的建模工作，本文將從以下兩個方面對CNN模型進行優(yōu)化:
　　(1)針對現(xiàn)有CNN模型中池化算法忽視語音數(shù)據(jù)的局部相關特性，從而造成對關鍵語音特征提取效率不高的問題，提出

3、一種基于POWER架構的動態(tài)自適應池化算法(DA-Pooling)，在CNN模型的池化層中應用DA-Pooling算法替換原有池化算法，該算法提取局部相鄰語音特征數(shù)據(jù)，通過計算Spearman相關系數(shù)來確定數(shù)據(jù)之間的相關程度;再按照一定的權重對不同相關性的語音數(shù)據(jù)動態(tài)分配最優(yōu)的池化策略，該方法提高了池化層對不同相關性數(shù)據(jù)的適應能力。
　　(2)為解決現(xiàn)有卷積神經(jīng)網(wǎng)絡在處理語音數(shù)據(jù)集時泛化能力不高，以及由于傳統(tǒng)的Dropout算法所