储层计算框架下非线性数据处理在语音识别任务中的作用

储层计算神经网络架构被广泛用于测试神经形态计算的硬件系统。此类器件基准测试的首选任务之一是自动语音识别。然而，该任务需要将具有变化振幅的声波波形进行声学变换至频域图，这可视为特征提取技术。取决于转换方法，这些可能掩盖神经形态硬件对整体语音识别性能的贡献。在此，我们量化并分离声学变换与神经形态硬件对语音识别成功率的贡献。我们表明声学变换中的非线性在特征提取中起关键作用。我们计算了相较于仅声学变换，储层计算器件所带来的词成功率增益，并表明其是比较不同硬件的合适基准。最后，我们实验与数值量化了基于磁性纳米振荡器的神经形态硬件所受不同声学变换的影响。