基于雙層GMM結(jié)構(gòu)和多環(huán)境優(yōu)化模型的ARM魯棒語(yǔ)音識(shí)別算法實(shí)現(xiàn).pdf

1、嵌入式系統(tǒng)具有成本低、體積小、能耗低等優(yōu)點(diǎn)，因此基于嵌入式硬件平臺(tái)的語(yǔ)音識(shí)別系統(tǒng)具有很好的應(yīng)用前景。矢量泰勒數(shù)(VTS:Vector Taylor Series)特征補(bǔ)償是一種常用的語(yǔ)音識(shí)別特征補(bǔ)償方法，其具有較好的魯棒性，能夠有效地提高系統(tǒng)在較低信噪比環(huán)境下的識(shí)別率。然而VTS特征補(bǔ)償由于涉及到循環(huán)、迭代和指數(shù)運(yùn)算，計(jì)算復(fù)雜度高、計(jì)算量大，因此本論文首先對(duì)基于VTS特征補(bǔ)償?shù)恼Z(yǔ)音識(shí)別算法進(jìn)行了優(yōu)化，特征補(bǔ)償中采用雙層高斯混合模型(GM

2、M:Gaussian Mixture Model)代替原先的單層GMM，并基于ARM A8平臺(tái)，優(yōu)化算法結(jié)構(gòu)，大幅度降低識(shí)別系統(tǒng)的計(jì)算量。同時(shí)針對(duì)多模型的VTS方法，提出了基于ARM A8平臺(tái)的優(yōu)化多噪聲環(huán)境匹配的VTS估計(jì)方法，提高識(shí)別系統(tǒng)對(duì)復(fù)雜聲學(xué)環(huán)境的適應(yīng)能力。論文主要工作如下:
　　(1)基于ARM平臺(tái)的語(yǔ)音識(shí)別系統(tǒng)結(jié)構(gòu)概述。研究分析了語(yǔ)音識(shí)別系統(tǒng)的基本流程和方法，包括預(yù)處理、端點(diǎn)檢測(cè)、特征提取以及隱馬爾科夫模型(HMM:

3、Hidden Markov Model)匹配幾個(gè)主要步驟。
　　(2)在ARM平臺(tái)上實(shí)現(xiàn)了基于雙層GMM結(jié)構(gòu)VTS特征補(bǔ)償?shù)墓铝⒃~識(shí)別算法在ARM平臺(tái)上的實(shí)現(xiàn)。VTS特征補(bǔ)償算法是基于單層GMM結(jié)構(gòu)的，單層VTS特征補(bǔ)償模塊的運(yùn)行時(shí)間占整個(gè)孤立詞識(shí)別系統(tǒng)運(yùn)行時(shí)間的大部分。本文分別在MATLAB平臺(tái)和ARM平臺(tái)上對(duì)原先單層GMM結(jié)構(gòu)的VTS特征補(bǔ)償方法進(jìn)行了分析，討論了GMM混合數(shù)對(duì)噪聲參數(shù)估計(jì)、純凈語(yǔ)音特征向量映射以及整體VTS特

4、征補(bǔ)償模塊時(shí)間花費(fèi)的影響，根據(jù)仿真測(cè)試結(jié)果，給出了雙層GMM結(jié)構(gòu)的VTS特征補(bǔ)償算法，并給出了雙層GMM結(jié)構(gòu)的最佳混合數(shù)。此外，通過分析ARM平臺(tái)和MATLAB平臺(tái)上的VTS模塊運(yùn)行時(shí)間的差異，本文還對(duì)基于ARM平臺(tái)上的映射部分做了代碼優(yōu)化。基于ARM平臺(tái)上的仿真結(jié)果表明，基于優(yōu)化后的雙層GMM結(jié)構(gòu)的語(yǔ)音識(shí)別算法，計(jì)算量大幅降低，同時(shí)識(shí)別性能也與原先單層GMM結(jié)構(gòu)相當(dāng)。
　　(3)在ARM平臺(tái)上實(shí)現(xiàn)了基于雙層GMM結(jié)構(gòu)和多噪聲環(huán)境

5、模型的孤立詞識(shí)別系統(tǒng)，并進(jìn)行了優(yōu)化。實(shí)驗(yàn)室原先提出的基于多環(huán)境模型的VTS語(yǔ)音識(shí)別算法采用白噪聲與純凈語(yǔ)音混合生成多種信噪比環(huán)境下的模型，對(duì)于白噪聲下的測(cè)試語(yǔ)音有較好的識(shí)別效果，但對(duì)于其他類噪聲語(yǔ)音識(shí)別效果并不理想。針對(duì)這一問題，本文引入其他類型噪聲下的訓(xùn)練模型，同時(shí)對(duì)訓(xùn)練模型所需的信噪比類別進(jìn)行分析，選擇典型環(huán)境下的多噪聲模型?；贛ATLAB的仿真實(shí)驗(yàn)和ARM平臺(tái)的測(cè)試，都表明優(yōu)化后的多噪聲環(huán)境系統(tǒng)提高了系統(tǒng)在多種噪聲環(huán)境下的識(shí)別率