买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉厦门大学申请的专利低资源语音识别中的一种损失权重自适应元学习方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116052649B 。

龙图腾网通过国家知识产权局官网在2025-09-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310031464.8，技术领域涉及：G10L15/06；该发明授权低资源语音识别中的一种损失权重自适应元学习方法是由洪青阳;王秋林;李琳设计研发完成，并于2023-01-10向国家知识产权局提交的专利申请。

本低资源语音识别中的一种损失权重自适应元学习方法在说明书摘要公布了：低资源语音识别中的一种损失权重自适应元学习方法，涉及语音识别领域。针对现有技术存在的MAML算法不稳定、训练损失权重难以精确调整等问题，提供低资源语音识别中的一种损失权重自适应元学习方法。通过同方差不确定性微调权重的方法在一定程度上解决MAML算法不稳定等问题，将其运用到语音识别中，在其基础上引入VGG‑CNN网络以及Adapter模块，提升整体识别性能。相较于其他元学习方法具有更小的波动，更加稳定，无需手动调整损失权重或者花费大代价地精确调整权重，能够自动且高效地调整训练损失权重到适当的数值。可使用在任何模型上，灵活程度高，且添加的VGG‑CNN模块以及Adapter模块增加计算成本低。

本发明授权低资源语音识别中的一种损失权重自适应元学习方法在权利要求书中公布了：1.低资源语音识别中的一种损失权重自适应元学习方法，其特征在于包括以下步骤： 1将训练用到的多个语种按照其语种进行分类，划分训练集和验证集； 2将每个语种类别的训练集和验证集的语音数据分成支撑集和查询集两个部分； 3将所有语音数据的文本进行统计，制作训练用字典； 4编写代码构建由Transformer模型以及VGG-CNN网络和Adapter模块组成的语音识别模型； 5进行模型预训练阶段； 5.1在每个训练迭代中，对于每个语种的训练集语音数据，首先从训练集的支撑集中抽取k个数据，经由VGG-CNN网络提取特征后，将特征送入Transformer模型进行训练，更新当前迭代轮次的模型参数； 5.2再从对应语种的查询集中抽取k个数据，经由VGG-CNN网络提取特征后，将特征送入Transformer模型测试模型的识别性能获得对应的查询集损失，同时将特征送入Adapter模块，经过取均值和对数的操作后，获得调整损失权重所需要的方差； 5.3利用获取的方差通过公式调整对应语种在当前轮次的查询集损失； 5.4完成上述对于单个语种的训练操作后，将模型的参数初始化为当前训练轮次开始时的数值； 6再对其他语种的训练集和验证集重复步骤5.1至5.4，进而获取训练用所有语种在当前迭代轮次中的调整后查询集损失，并将其进行求和取均值； 7利用步骤6中操作后的查询集损失均值对模型当前迭代轮次开始时的模型所有参数进行梯度下降更新； 8更新完模型参数后，模型当前的参数将作为下一个迭代轮次的模型初始化参数，并重复步骤5至7； 9每训练一定Epoch后，利用验证集的语音数据，对当前训练后的模型进行测试，保存测试后最优性能时的模型参数，当某次保存的模型参数为多次测试后的相同最优值，则结束上述的训练过程； 10准备需要进行识别的语种的训练集、验证集和测试集； 11利用需识别语种的训练集对步骤9中保存的模型进行训练； 11.1训练中，每个迭代轮次，从训练集中抽取一个Batch数的语音数据，经由VGG-CNN网络提取特征后，将特征送入Transformer模型测试模型的识别性能获得对应的损失，同时将特征送入Adapter模块，经过取均值和对数的操作后，获得调整损失权重所需要的方差； 11.2利用获取的方差通过公式调整所需识别语种在当前轮次的训练损失； 11.3利用步骤11.2中获得的调整后损失更新模型参数； 12每训练一个Epoch后，利用目标语种验证集的语音数据，对当前训练后的模型进行测试，保存性能最优模型； 13反复训练多个Epoch后结束上述针对目标语种的训练过程，即获得具有优良识别性能的语音识别模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人厦门大学，其通讯地址为：361005 福建省厦门市思明区思明南路422号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。