抗噪連續(xù)語音識別的研究.pdf

1、目前的連續(xù)語音識別系統(tǒng)對純凈語音已能達到非常高的識別精度，但是無處不在的背景噪聲帶來了訓練模型和測試語音之間的失配，這種失配使得連續(xù)語音識別系統(tǒng)的性能在噪聲環(huán)境中急劇下降。因此抗噪聲問題是語音識別的關鍵性問題。本論文首先分析并實現(xiàn)了一個以Mel頻率倒譜系數(shù)(MFCC)作為語音特征，基于隱馬爾可夫模型(HMM)，針對連續(xù)數(shù)字串識別任務的基本連續(xù)語音識別系統(tǒng)。然后基于此基本連續(xù)語音識別系統(tǒng)進行了抗噪聲技術的研究。 目前的抗噪聲技術

2、主要分為四類：語音增強法、提取抗噪語音特征法、噪聲補償法、丟特征法。本論文分別對其中的語音增強法和基于丟特征法的條件概率聯(lián)合模型方法進行了研究。其中通過對傳統(tǒng)Wiener濾波算法和傳統(tǒng)ANC算法的缺點進行分析，提出了改進型重復Wiener濾波算法和改進型CTRANC算法。實驗表明本文提出的這兩種方法相比傳統(tǒng)方法有更好的噪聲抑制效果。再者本文通過對條件概率聯(lián)合模型的優(yōu)缺點進行研究后，本文提出了后驗概率聯(lián)合模型PUM，提高了對時變噪聲的消噪

3、效果。 最終本文提出了語音增強結合PUM模型的一種新的語音抗噪方法，并且基于這種新方法從高識別率和低成本較高識別率兩方面出發(fā)，構建了改進型CTRANC結合PUM新模型和改進型重復Wiener濾波結合PUM新模型。這兩個新模型分別用改進型CTRANC和改進型重復Wiener濾波語音增強方法對含噪語音中有先驗知識的噪聲進行濾除，較有效的消除了寬帶噪聲。從而為PUM模型提供了只有局部頻帶被噪聲污染的語音信號，彌補了PUM模型不適用于語