基于矢量泰勒级数的模型自适应算法

《基于矢量泰勒级数的模型自适应算法》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、更多技术文章，论文请登录www.srvee.com第32卷第1期电子与信息学报Vol.32No.12010年1月JournalofElectronics&InformationTechnologyJan.2010基于矢量泰勒级数的模型自适应算法吕勇吴镇扬(东南大学信息科学与工程学院南京210096)摘要：在实际环境中，由于测试环境与训练环境的不匹配，语音识别系统的性能会急剧恶化。模型自适应算法是减小环境失配影响的有效方法之一，它通过测试环境下的少量自适应数据，将HMM模型的参数变换到测试环境下。该文将矢量泰勒级数用

2、于模型自适应，同时对HMM模型的均值向量和协方差矩阵进行变换，使其与实际环境相匹配。实验证明，该文算法优于MLLR算法和基于矢量泰勒级数的特征补偿算法，在低信噪比环境中性能提高尤为明显。关键词：语音识别；模型自适应；矢量泰勒级数；隐马尔可夫模型中图分类号：TN912.34文献标识码：A文章编号：1009-5896(2010)01-0107-05DOI:10.3724/SP.J.1146.2008.01768ModelAdaptationAlgorithmUsingVectorTaylorSeriesLüYongWu

3、Zhen-yang(SchoolofInformationScienceandEngineering,SoutheastUniversity,Nanjing210096,China)Abstract:Inactualenvironmentstheperformanceofspeechrecognitionsystemmaybedegradedsignificantlybecauseofthemismatchbetweenthetrainingandtestingconditions.Modeladaptationi

4、sanefficientapproachthatcouldreducethismismatch,whichadaptsmodelparameterstonewconditionsbysomeadaptationdata.Inthispaper,anewmodeladaptationusingvectorTaylorseriesispresented,whichadaptsthemeanvectorandcovariancematrixofhiddenMarkovmodel.Theexperimentalresult

5、sshowthattheproposedalgorithmismoreeffectivethanMLLRandthefeaturecompensationalgorithmbasedonvectorTaylorseriesinvariousenvironments,especiallyinlowsignal-to-noiseratioenvironments.Keywords:Speechrecognition;Modeladaptation;VectorTaylorseries;HiddenMarkovmodel

6、1引言补偿算法恢复的特征向量误差较大，其性能明显低于模型自适应算法。在噪声环境下，由于训练环境和测试环境的失[5]MAP(MaximumAPosteriori)和MLLR配，语音识别系统的性能会急剧恶化。减小环境失[6][14]−(MaximumLikelihoodLinearRegression)是两种配影响的方法主要有两类：特征补偿算法和模[59]−最常用的模型自适应算法。MAP算法将自适应数据型自适应算法。特征补偿算法在语音识别系统插入到HMM(HiddenMarkovModel)的先验参数的前端，对噪声环境

7、下提取的特征向量进行补偿，中，得到测试环境下的模型参数。MAP算法具有理尽可能将其恢复成纯净语音特征向量。模型自适应论上的最优性，随着自适应数据的增加，其性能会算法在语音识别系统的后端，通过测试环境下的少逐渐逼近实际环境下重新训练的系统，但它需要大量自适应数据，对模型参数进行调整，逐渐将模型量自适应数据，而且没有自适应数据的模型参数无参数变换到实际环境，从而达到提高系统识别率的法更新。MLLR是一种基于变换的模型自适应算法，目的。特征补偿算法和模型自适应算法各有优点，它通过一个或多个线性回归矩阵，将全部模型参数一般

8、来说，在较高信噪比下，特征补偿算法能较好变换到测试环境。在只有少量自适应数据时，MLLR地恢复缺失的语音分量，其性能略好于模型自适应算法的性能优于MAP算法。线性假设是MLLR算算法；在较低信噪比下，由于MFCC(MelFrequency法的主要缺陷，尤其在噪声环境下，其性能不如其CepstrumCoefficient)中缺失的分量过多，因此特征它噪声自适应