语音识别中基于模型补偿的噪声鲁棒性问题研究(可复制论文).pdf

摘要中去的训练方法。实验表明,该算法显著降低了语音识别系统的识别错误率,并在噪声环境下的语音识别鲁棒性算法研究是当今主流语音识别系统中最重要的研究课题之一。虽然当前的语音识别系统在实验室环境下已经取得了令人满意的成果,但是实际使用情况下,语音识别系统的识别率受不同类型的噪声干扰相比实验室环境将有非常大的减低。在这一背景下,本文围绕如何在噪声环境下对语音声学模型进行针对性的补偿,使得它更加吻合加噪语音的分布规律从而提高语音识别系统识别率这一研究方向,进行了较系统而深入的研究。并且在模型参数补偿算法、声学模型训练算法等方面都有~定的创新。首先,本文介绍了我们所提出一种新的语音声学模型在噪声环境下的参数补偿算法一变换补偿算法。针对声学模型参数在噪声环境下非线性变化的补偿问题,现在国际上广泛使用的蚔声学模型参数补偿算法只能达到其线性展开的一阶近似,所以本文通过使用自动控制领域用来提高扩展卡尔曼滤波器性能的称作虺芔的技术,可以达到对声学模型参数非线性变化的二阶近似,得到的声学模型参数更加精确。在对声学模型静态参数的补偿过程中,我们提出了多种不同的使用变换算法的工程实现方法,其中效率最高的实现方法相对于传统的变换实现方法效率提升了兑上,最终实验结果证明其相对于传统的椒ň哂忻魇5挠攀啤其次,我们尝试将变换补偿算法进一步扩展到对声学模型动态参数的补偿工作中来。语音特征信号中动态特征复杂的计算方法使对于声学模型中动态参数进行补偿变的非常复杂。在本文中,我们通过严格的数学推导获得了准确的动态参数非线性变化函数,并利用变换补偿算法进行补偿。实验结果表明,变换补偿算法的优势得到充分发挥,进一步提高系统性能。最后,受到语音识别领域最近几年在说话人自适应训练方面不断取得进展的启发,本文第一次提出了基于噪声环境下模型参数补偿算法的模型自适应训练算法。在本文中,针对我们在模型参数补偿过程中所使用的惴ǎ檬补偿以后的声学模型针对带噪语音数据似然度最大的准则,将待补偿的声学模型直接训练出来,从而在最终的模式识别中取得更好的结果。噪声补偿模型自适应训练方法是一种较好的将非线性变化补偿算法的误差吸收到声学模型自身且已经成为现在噪声环境下语音声学模型训练的基本方法之一。关键词:噪声鲁棒性声学模型自动语音识别参数补偿变换噪声环境模型自适应训练
知识水坝***@pologoogle为您整理
一南肌,垒坠猳猼—瓵也餰琲瑃行—,..琣瑃畊琍危幻【閏.·.伍甌.,‘【.
知识水坝***@pologoogle为您整理
一琋垒曼瓻珹,,瑆.,琽,“。瓵餲.:,,
插图索引偿U饫锊问齪唬瓒ㄎ3A俊6图语音识别系统的主要构成⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.归纳计算前向概率的前向算法示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯前向概率与后向概率关系的示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯Ⅵ惴ǖ氖疽馔肌不同建模单元对应的仄私峁埂语音识别系统中噪声鲁棒性问题,主要是训练和测试环境的不匹配在不同特征空间的体现⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..不同补偿方法对方程—械谋淞縴的均值和方差估计效果比较∕抡妫琍对数正态逼近,一阶平基于矢量扩展的变换补偿和基于变换和平幕旌喜变量肛右口变化。⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯...插图索弓
表格索引不同P筒问钩ニ惴ㄔ贏数据库的三个不同测试集上从肪诚碌钠骄侗鹦Ч谋冉瓻。1硎鞠比于没有P筒问钩サ幕枷低车南喽源砦笙陆德。.表不同模型参数补偿算法从煌旁氡然肪诚在菘馊霾煌馐约掀骄侗鹦Ч谋冉希统性能采用百分制表示的词正确率体现⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯菘獾牟馐约疉上不同噪音类型和不同信噪比环境下,基于矢量扩展的变换补偿算法相比于一阶平惴ǖ南喽错误下降率⋯⋯⋯⋯⋯⋯⋯..一⋯⋯⋯⋯:⋯⋯⋯⋯⋯⋯⋯⋯⋯..。实验统计了菘獾牟馐约疉上钠骄侗鹇省菘獠馐约疉上,方法九相对于方法七在不同噪声类型和不同信噪比环境下的相对错误下降率。⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.不同补偿方法对P投撞罘植问牟钩バЧ冉稀J验统计了菘獾牟馐约疉上钠骄侗鹇省!表琹不同模型参数补偿算法在菘獾娜霾煌馐约从旁氡然肪诚碌钠骄侗鹦Ч谋冉希低承阅懿用百分制表示的词正确率体现⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..不同模型参数补偿算法从煌旁氡然肪诚隆表格索弓
作者签名:—蔓蚺扯丝翠年上月垤日中国科学技术大学学位论文原创性和授权使用声明本人声明所呈交的学位论文,是本人在导师指导下进行研究工作所取得的成果。除已特别加以标注和致谢的地方外,论文中不包含任何他人已经发表或撰写过的研究成果。与我一同工作的同志对本研究所做的贡献均已在论文中作了明确的说明。本人授权中国科学技术大学拥有学位论文的部分使用权,即:学校有权按有关