噪聲環(huán)境下的語音識別技術(shù)研究.pdf

1、本論文以應(yīng)用型語音控制技術(shù)為目標(biāo)，以系統(tǒng)魯棒性為研究重點，對噪聲環(huán)境下嵌入式孤立詞語音識別技術(shù)的各個主要方面作了深入探討。通過對魯棒語音識別問題進(jìn)行系統(tǒng)的研究和實驗，本文形成了一套完整的魯棒語音識別研究體系，包括了實驗平臺、魯棒端點檢測算法、魯棒特征提取算法、特征補(bǔ)償算法、聲學(xué)模型等關(guān)鍵部分，涵蓋了魯棒語音識別的全過程，獲得了一些有意義的成果。所有研究成果都被完整地實現(xiàn)并在語音庫上進(jìn)行了驗證，最終建立了一個完整的孤立詞語音識別系統(tǒng)，包括

2、語音庫、軟件程序、硬件實現(xiàn)、應(yīng)用系統(tǒng)等，以此為基礎(chǔ)可直接構(gòu)建出一個實用的語音控制系統(tǒng)。上述這些研究成果具體主要包括以下幾個方面： (1) 語音識別實驗系統(tǒng)建立了一個基于隱馬爾科夫模型 (Hidden Markov Model，HMM) 的語音識別實驗系統(tǒng)。針對孤立詞吾音識別的特點優(yōu)化了系統(tǒng)中的 HMM 算法實現(xiàn)。給出了一套用于抗噪語音識別實驗的選詞方案，保證了實驗的代表性。建立了完整的孤立詞識別語音庫和噪聲庫以及噪聲度量標(biāo)準(zhǔn)，保

3、證了實驗的可重復(fù)性。 (2) 端點檢測算法針對傳統(tǒng)雙門限端點檢測算法在噪聲環(huán)境下的不足之處，對算法細(xì)節(jié)作出了多處改進(jìn)。首次將一種非線性動力學(xué)參數(shù)——排列熵 (Permutation Entropy，PE)應(yīng)用于噪聲環(huán)境下的端點檢測，提出了基于能頻比和排列熵差分的雙門限端點檢測算法。在實驗平臺下與傳統(tǒng)算法進(jìn)行了對比實驗，實驗結(jié)果顯示，提出的算法與傳統(tǒng)算法相比，噪聲魯棒性更好，檢測延時相當(dāng)。 (3) 特征提取算法系統(tǒng)總結(jié)了目

4、前常用的幾種語音識別特征參數(shù)，特別是詳細(xì)分析了線性預(yù)測編碼 (Linear Prediction Coding，LPC) 特征和 Mel 頻率倒譜系數(shù) (Mel Frequency Cepstral Coefficient，MFCC ) 特征的原理、優(yōu)缺點和實現(xiàn)細(xì)節(jié)。針對LPC特征和MFCC 特征的問題，將最小方差無失真響應(yīng) (Minimum Variance Distortionless Response，MVDR) 潛估汁技術(shù)引入到

5、語音特征提取中，使用這種技術(shù)得到的特征參數(shù)在某種程度上結(jié)合了上述兩種主流特征參數(shù)的優(yōu)點。針對語音信號的特點，給出了幾種MVDR計算上的改進(jìn)方法。最后通過實驗對比了MVDR方法與其它方法的性能。 (4) 魯棒語音識別技術(shù)全面研究了包括抗環(huán)境噪聲、說話人自適應(yīng)、信道自適應(yīng)等在內(nèi)的系統(tǒng)魯棒性問題。提出了一種用于語音識別的魯棒特征提取算法，這種算法基于MVDR譜估計技術(shù)，它在Mel頻率尺度上估計MVDR譜，并對得到的MVDR譜進(jìn)行調(diào)制譜

6、濾波，然后提取其倒譜系數(shù)作為特征參數(shù)。在汽車噪聲、人群噪聲和高斯白噪聲三種噪聲環(huán)境下，與MVDR特征提取算法和MFCC特征提取算法按多種信噪比做了對比實驗。實驗結(jié)果表明使用該算法的系統(tǒng)在這三種噪聲環(huán)境下的識別率均得到了不同程度的提高。 (5) 硬件實現(xiàn)問題針對孤立詞語音識別算法的硬件實現(xiàn)問題，比較了通用處理器、數(shù)字信號處理器(Digital Signal Processor，DSP)、專用集成電路(Application Spe