基于支持向量机的语音识别研究基于支持向量机的语音识别研究.pdf

第六届全国人机语音通讯学术会议，223-226 页，2001 年 11 月 20-22 日，深圳

基于支持向量机 1. 引言 ⋅ + ≥ ， ∀ ∈ （ ）
yi (w xi b) 1 i {1,L, l} 5
统计学习理论是一种研究小样本情况下机器学习性质 根据统计学习理论，最优分界面不但能将两类样
和规律的理论。在这一理论下发展出的一种通用的模 本正确分开，而且使分类间隔（margin）最大[5]。如
式分类器——支持向量机，由于与传统的模式识别方 图 1 所示两维情况下，实心点和空心点分别代表两类
法相比具有推广能力强、能保证全局最优等优点，因 样本，H 为分界面，H1 和 H2 分别为过各类中离分界
而引起了国内外学者的普遍兴趣[1][2]。在将其应用 面最近的样本且平行于分界面的面，它们之间的距离
于手写体识别、人脸检测、文本分类等领域的研究过 就叫做分类间隔。虽然图中虚线也能将两类样本分
程中，支持向量机不仅取得了与传统方法可比或更好 开，但它的分类间隔比 H 小。
的结果，而且丰富了自身的内容（如快速训练算法[3]
等），从而更加推动了它在其他模式识别领域的应 H2
H
用。 H1
语音识别作为模式识别领域的一大问题，自从隐
马尔可夫模型得到成功应用以后，其基本框架就没有
大的改变[4]。神经网络也只得到了有限的应用，并没
有成为主流。本文将支持向量机用于孤立数字识别，
以期研究这一模型在语音识别中的应用前景。文章第
二节简要介绍支持向量机模型，第三节详述在孤立数
字识别上的结果，第四节是总结。