語(yǔ)音識(shí)別系統(tǒng)中的VTS特征補(bǔ)償算法優(yōu)化.pdf

1、在實(shí)際環(huán)境中，由于環(huán)境噪聲的干擾，語(yǔ)音識(shí)別系統(tǒng)的識(shí)別性能并不理想。矢量泰勒級(jí)數(shù)(VTS: Vector Taylor Series)特征補(bǔ)償是一種基于模型的特征補(bǔ)償算法，具有很強(qiáng)的魯棒性，能夠有效解決訓(xùn)練環(huán)境與測(cè)試環(huán)境失配導(dǎo)致的識(shí)別性能下降問題。
　　針對(duì)VTS計(jì)算量大、在低信噪比環(huán)境下性能急劇下降的問題，論文將對(duì)基于VTS的孤立詞識(shí)別系統(tǒng)進(jìn)行優(yōu)化，主要包括基于雙層高斯混合模型(GMM: Gaussian MixtureModel

2、)結(jié)構(gòu)的VTS特征補(bǔ)償優(yōu)化，以及針對(duì)多環(huán)境模型的噪聲參數(shù)估計(jì)的初始值優(yōu)化，通過優(yōu)化提高系統(tǒng)的識(shí)別速度和識(shí)別率，增強(qiáng)語(yǔ)音識(shí)別系統(tǒng)的實(shí)用性。主要工作如下:
　　(1)魯棒語(yǔ)音識(shí)別系統(tǒng)結(jié)構(gòu)分析。重點(diǎn)分析魯棒語(yǔ)音識(shí)別中的關(guān)鍵技術(shù)，包括基于加權(quán)子帶譜熵的端點(diǎn)檢測(cè)算法，VTS特征補(bǔ)償算法，以及聲學(xué)模型。聲學(xué)模型包括用于特征補(bǔ)償?shù)腉MM模型和模式識(shí)別的隱馬爾可夫模型(HMM: Hidden Markov Model)。
　　(2)基于雙層

3、GMM模型的VTS補(bǔ)償算法優(yōu)化。針對(duì)VTS特征補(bǔ)償計(jì)算量大的問題，本文提出了雙層GMM的VTS算法結(jié)構(gòu)，將特征補(bǔ)償中的噪聲參數(shù)估計(jì)過程和特征映射過程分開進(jìn)行。在訓(xùn)練階段，分別得到高斯單元混合數(shù)個(gè)數(shù)較少的GMM1模型和混合高斯個(gè)數(shù)較多的GMM2模型。特征補(bǔ)償過程中，先用GMM1模型估計(jì)測(cè)試語(yǔ)音中噪聲的均值和方差，再利用GMM2模型基于最小均方誤差準(zhǔn)則，將測(cè)試語(yǔ)音的含噪特征參數(shù)映射成純凈的語(yǔ)音特征參數(shù)。算法優(yōu)化大幅降低了計(jì)算量，同時(shí)保持了識(shí)

4、別性能。
　　(3)基于多環(huán)境模型VTS算法的噪聲參數(shù)估計(jì)初始值優(yōu)化?；诙喹h(huán)境模型VTS語(yǔ)音識(shí)別從基本環(huán)境模型集中選出與當(dāng)前環(huán)境最匹配的聲學(xué)模型，用于特征補(bǔ)償，能夠有效降低訓(xùn)練環(huán)境與測(cè)試環(huán)境之間的失配性。根據(jù)最優(yōu)GMM模型設(shè)置噪聲參數(shù)的初始值，在噪聲參數(shù)迭代求解過程中可以有效的避免最大期望(EM: Expectation-maximization)算法陷入局部收斂，使得EM算法能夠以更少的迭代次數(shù)收斂到更為準(zhǔn)確的估計(jì)值，從而提高