自動(dòng)語(yǔ)種識(shí)別的研究與應(yīng)用.pdf

1、隨著我國(guó)經(jīng)濟(jì)的迅速發(fā)展，國(guó)人的活動(dòng)范圍不斷變大，不同語(yǔ)種之間的交流和碰撞愈加頻繁。人們迫切地希望能有一種突破語(yǔ)種障礙的交流系統(tǒng)，因而作為重要前端的自動(dòng)語(yǔ)種識(shí)別技術(shù)的重要性也與日俱增。除此之外，自動(dòng)語(yǔ)種識(shí)別在信息安全、軍事安全領(lǐng)域也有著廣泛的應(yīng)用前景。
　　相較于英語(yǔ)、法語(yǔ)、漢語(yǔ)等大語(yǔ)種，語(yǔ)種識(shí)別在我國(guó)少數(shù)民族語(yǔ)言方面的研究發(fā)展較為緩慢，目前還沒(méi)有一個(gè)能比較全面地涵蓋我國(guó)少數(shù)民族語(yǔ)言的語(yǔ)種識(shí)別系統(tǒng)。針對(duì)這種狀況，本文在研究中嘗試建立

2、一個(gè)基于 matlab的包括漢語(yǔ)、白語(yǔ)、藏語(yǔ)、苗語(yǔ)、納西語(yǔ)、維吾爾族語(yǔ)、彝族語(yǔ)和壯族語(yǔ)在內(nèi)的語(yǔ)種識(shí)別系統(tǒng)。為此，本文主要做了以下幾個(gè)方面的工作：
　　第一，特征提取方面的研究。對(duì)原始語(yǔ)音信號(hào)進(jìn)行預(yù)處理和特征提取是建立一個(gè)有效語(yǔ)種識(shí)別系統(tǒng)的基礎(chǔ)。預(yù)處理的方法和特征的選取直接關(guān)系到語(yǔ)種識(shí)別系統(tǒng)最終所能達(dá)到識(shí)別率的上限。本文在實(shí)踐中總結(jié)出了多種針對(duì)少數(shù)民族語(yǔ)言具有高區(qū)分度的特征，并對(duì)其原理和提取過(guò)程做了介紹。不僅如此，本文還運(yùn)用了預(yù)加重

3、，倒譜均值相減等技術(shù)，并對(duì)其實(shí)現(xiàn)過(guò)程進(jìn)行了簡(jiǎn)單介紹。
　　第二，基于高斯混合模型（Gaussian Mixture Model，GMM）識(shí)別方法的研究。本文對(duì)高斯混合模型的原理及其參數(shù)估計(jì)算法進(jìn)行了研究，并完成了基于GMM的語(yǔ)種識(shí)別系統(tǒng)，該系統(tǒng)的平均檢測(cè)代價(jià)達(dá)到了0.2214。在此基礎(chǔ)上，本文還探討了GMM模型延展出來(lái)的全局背景無(wú)關(guān)模型（universal background model，UBM），建立了一個(gè)基于GMM-UBM的

4、語(yǔ)種識(shí)別系統(tǒng)，其性能略?xún)?yōu)于GMM系統(tǒng)，平均檢測(cè)代價(jià)為0.2143。
　　第三，基于支持向量機(jī)模型（Support vector machine，SVM）的識(shí)別方法研究。本文對(duì)支持向量機(jī)的理論做了簡(jiǎn)單介紹后，建立了一個(gè)基于SVM的語(yǔ)種識(shí)別系統(tǒng)。該系統(tǒng)在識(shí)別率在略低于GMM系統(tǒng)，平均檢測(cè)代價(jià)為0.2514。
　　第四，為了驗(yàn)證不同特征參數(shù)選取對(duì)系統(tǒng)識(shí)別率的影響，本文在不同輸入特征下對(duì)GMM系統(tǒng)、GMM-UBM系統(tǒng)和SVM系統(tǒng)進(jìn)行