1.基于改进视觉Transformer模型的语音特征识别方法，其特征在于，方法包括以下步骤：接收原始语音信号，对原始语音信号进行预处理得到语音处理信号；

对语音处理信号提取声学特征，得到log‑Mel语谱图；

将log‑Mel语谱图输入至预先建立的P2T模块内，得到特征向量；

将特征向量输入至预先建立的Sparse Transformer网络内，得到输出结果；

将输出结果导入预先建立的Softmax分类器后，得到识别结果。

2.根据权利要求1所述的基于改进视觉Transformer模型的语音特征识别方法，其特征在于，所述得到log‑Mel语谱图的过程：利用快速傅里叶变换对语音处理信号计算功率谱，将梅尔滤波器组应用于功率谱后，生成log‑Mel语谱图。

3.根据权利要求1所述的基于改进视觉Transformer模型的语音特征识别方法，其特征在于，所述P2T模块部分主干网络主要由单个卷积层、ReLU激活函数和最大池化操作组成。

4.根据权利要求2所述的基于改进视觉Transformer模型的语音特征识别方法，其特征在于，所述log‑Mel语谱图均匀划分为一系列patch，每个patch都经过P2T模块进行特征提取，且P2T模块公式如下：xi＝I2P(IP)＝MaxPool(ReLU(Conv2d(IP)))式中，IP为输入patch的大小，为 Conv2d代表卷积操作，ReLU代表激活函数，MaxPool代表最大池化操作，H、W分别为语谱图的高和宽，设S＝4，patch的数量为N＝16，其中xi代表第i个patch经过卷积提取得到的特征向量，其中1≤i≤N，单个卷积层中卷积核大小均设定为7×7，池化层尺寸均设定为2×2×2。

5.根据权利要求1所述的基于改进视觉Transformer模型的语音特征识别方法，其特征在于，所述Sparse Transformer网络包括SMHA模块和MLP结构。

6.根据权利要求5所述的基于改进视觉Transformer模型的语音特征识别方法，其特征在于，所述SMHA通过将输入的特征向量划分为多个特征子空间，从而产生多组注意力权重矩阵，引入稀疏矩阵M对注意力权重矩阵进行稀疏操作。

7.根据权利要求6所述的基于改进视觉Transformer模型的语音特征识别方法，其特征在于，所述稀疏操作如下：与注意力权重矩阵进行逐个元素比较，应用一个值对需要稀疏位置的数值进行覆盖，当计算注意力取Softmax激活函数时，将序列相似性矩阵进行归一化概率分布，M中被标记的位置被设为0，然后通过归一化相似矩阵与V进行点积运算，计算公式如下：式中Q、K、V分别代表查询向量、键向量、值向量，Q和K的点积代表上下文信息对关键信息的影响程度，dk代表K的维度，其中 Mi,j＝1表示第i个patch注意到第j个patch，Mi,j＝0第i个patch不能注意到第j个patch。

8.根据权利要求5所述的基于改进视觉Transformer模型的语音特征识别方法，其特征在于，所述MLP将每组注意力的信息进行筛选整合，公式如下：o

SMHA＝Concat(H1,H2,…,Hn)W

Q K V

式中Hh是每个头的注意力得分，h＝1,2,…,n，n代表注意力头数，这里n取16；Wh 、Wh 、Who分别代表Q、K、V第h次训练映射的权重矩阵；参数矩阵W用于将拼接后的数据进一步融合。

9.根据权利要求1所述的基于改进视觉Transformer模型的语音特征识别方法，其特征在于，所述得到输出结果的过程如下：将SMHA的输出送入MLP结构，先经过全连接层线性变换，再通过ReLU激活函数非线性变换，最后线性变换得到输出结果，公式如下：FFN(Y)＝W2[ReLU(YW1+b1)+b2]

式中Y代表MLP的输入特征向量，W1、W2是两个线性变换层的参数矩阵，b1、b2代表偏置向量，然后将输出结果导入Softmax分类器后得到最终识别结果。

10.基于改进视觉Transformer模型的语音特征识别系统，其特征在于，包括：数据处理模块：用于接收原始语音信号，对原始语音信号进行预处理得到语音处理信号；

提取模块：用于对语音处理信号提取声学特征，得到log‑Mel语谱图；

第一输入模块：用于将log‑Mel语谱图输入至预先建立的P2T模块内，得到特征向量；

第二输入模块：用于将特征向量输入至预先建立的SparseTransformer网络内，得到输出结果；

识别模块：用于将输出结果导入预先建立的Softmax分类器后，得到识别结果。