魯棒語音識別中的模型自適應(yīng)算法研究與實(shí)現(xiàn).pdf

1、語音識別在實(shí)驗(yàn)室環(huán)境中識別性能很高，但是走向?qū)嵱没倪^程中，由于語音本身的變異性以及外部噪聲的影響，導(dǎo)致在環(huán)境變化時，語音識別系統(tǒng)的性能嚴(yán)重下降。因此，研究能夠適應(yīng)不同環(huán)境的魯棒性語音識別技術(shù)具有極其重要的意義。
　　本文主要研究了魯棒語音識別中的模型自適應(yīng)算法，重點(diǎn)研究了基于最大似然線性回歸(MLLR: Maximum Likelihood Linear Regression)的模型自適應(yīng)算法以及基于矢量泰勒級數(shù)(VTS: Ve

2、ctor Taylor Series)的模型自適應(yīng)算法。主要工作內(nèi)容總結(jié)如下:
　　首先研究了基于MLLR的模型自適應(yīng)算法，在線性假設(shè)的基礎(chǔ)上，分別給出了均值變換矩陣與方差變換矩陣的估計方法。并且進(jìn)行了基于MATLAB的仿真實(shí)驗(yàn)，采用實(shí)驗(yàn)室錄制的中文語音庫，在不同噪聲環(huán)境下，通過改變信噪比以及自適應(yīng)數(shù)據(jù)個數(shù)，測試不同條件下系統(tǒng)的誤識率。實(shí)驗(yàn)結(jié)果表明，MLLR算法依賴于自適應(yīng)數(shù)據(jù)的數(shù)量，且在低信噪比條件下效果較好。
　　接著研

3、究了基于VTS的模型自適應(yīng)算法，首先推導(dǎo)出了模型參數(shù)的矢量泰勒級數(shù)關(guān)系式，然后分別給出了噪聲環(huán)境下模型參數(shù)的均值與方差的估計方法。將VTS算法與MLLR算法的實(shí)驗(yàn)結(jié)果進(jìn)行對比可以發(fā)現(xiàn)，VTS算法不依賴于自適應(yīng)數(shù)據(jù)的數(shù)量，且在低信噪比條件下，識別性能優(yōu)于MLLR算法，但是MLLR算法相比VTS算法，具有計算量小、復(fù)雜度低、易于實(shí)現(xiàn)等優(yōu)點(diǎn)，兩種算法各有優(yōu)缺點(diǎn)。
　　最后，本文用C語言實(shí)現(xiàn)了魯棒語音識別系統(tǒng)，為了盡可能提高系統(tǒng)的識別性能