漢語語音識別中決策樹參數(shù)聚類及結(jié)構(gòu)調(diào)整方法研究.pdf

1、隨著現(xiàn)代通信技術(shù)的飛速發(fā)展，語音識別具有巨大的應(yīng)用前景，涉及的領(lǐng)域非常廣泛。在發(fā)達國家，一些基于中小詞匯、特定領(lǐng)域的語音識別產(chǎn)品已經(jīng)投入使用，如聲控電話撥號系統(tǒng)、語音記事本、電話服務(wù)、語音查詢等等。但是在大詞匯量連續(xù)語音識別方面，距離理想的語音識別性能仍有相當(dāng)?shù)木嚯x。因此，非特定人、大詞匯量連續(xù)語音識別已成為目前研究的熱點和難點，許多相關(guān)的問題需要深入探討。本文從系統(tǒng)和算法的角度出發(fā)，以提高模型參數(shù)訓(xùn)練的魯棒性和系統(tǒng)識別性能為主要目的，

2、對基于語音學(xué)決策樹參數(shù)聚類、決策樹結(jié)構(gòu)調(diào)整和快速說話人自適應(yīng)等方面做了重點研究。 本文首先研究了基于語音學(xué)決策樹參數(shù)聚類問題。一方面，針對傳統(tǒng)決策樹狀態(tài)聚類受稀少三音子的影響，聚類后捆綁狀態(tài)數(shù)過多、節(jié)點數(shù)據(jù)平衡性差等問題，提出了語音學(xué)決策樹分級狀態(tài)聚類算法。該算法首先對稀少三音子進行處理，然后對決策樹葉節(jié)點進行加權(quán)合并。另一方面，針對決策樹對應(yīng)狀態(tài)間的高斯混合參數(shù)存在重疊現(xiàn)象，為提高參數(shù)訓(xùn)練的魯棒性，本文采用高斯參數(shù)聚類的策略。

3、由于人們通過聽覺器官識別語音信號的過程具有一定的模糊性，使得模糊集的思想在語音識別中得到廣泛應(yīng)用，并取得很好的效果。因此，本文將模糊聚類思想引入模型的參數(shù)聚類，利用模糊等價矩陣完成模型高斯參數(shù)聚類，并利用模糊聚類軟聚類的特點構(gòu)建異音混合共享模型。 接著，本文針對訓(xùn)練語料與測試語料的決策樹結(jié)構(gòu)不匹配會對系統(tǒng)性能和說話人自適應(yīng)造成影響，首先通過研究識別結(jié)果中狀態(tài)之間發(fā)生的混淆情況，提出了利用調(diào)整決策樹葉節(jié)點(狀態(tài))結(jié)構(gòu)的算法，橫向地

4、對決策樹結(jié)構(gòu)進行調(diào)整，從而減少由于這種結(jié)構(gòu)不匹配造成的識別率降低。狀態(tài)結(jié)構(gòu)調(diào)整算法的基本思想是：1)利用訓(xùn)練語料對狀態(tài)結(jié)構(gòu)調(diào)整可以提高模型本身的精度；2)在此基礎(chǔ)上利用自適應(yīng)語料對狀態(tài)結(jié)構(gòu)調(diào)整可以使決策樹結(jié)構(gòu)包含更多的測試人信息。然后，在研究不同復(fù)雜度的語音學(xué)決策樹對系統(tǒng)性能和說話人自適應(yīng)影響的基礎(chǔ)上，本文提出了一種決策樹剪枝算法——基于最小描述長度準(zhǔn)則的決策樹動態(tài)剪枝。該算法利用訓(xùn)練充分的決策樹作為初始模型，根據(jù)自適應(yīng)語料的數(shù)量動態(tài)地

5、選擇不同復(fù)雜度的模型。決策樹剪枝時初始模型的合理選擇，自適應(yīng)語料的充分利用以及最小描述長度準(zhǔn)則對隨機模型和確定性模型的集成，使得這種決策樹動態(tài)剪枝算法與說話人自適應(yīng)相結(jié)合時取得了較好的識別結(jié)果。 本文最后對快速說話人自適應(yīng)問題進行了研究。在討論了最大后驗概率估計算法、最大似然線性回歸算法以及最大似然模型插值算法優(yōu)缺點的基礎(chǔ)上，提出了變換矩陣線性插值算法，并將該算法與最大后驗概率估計相結(jié)合。這種結(jié)合的算法憑借轉(zhuǎn)移矩陣線性插值算法滿