语音识别系统噪声鲁棒性算法研究

《语音识别系统噪声鲁棒性算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号T嘲7密级冬至重庆邮电大学硕士学位论文论文题目语音识别系统噪声鲁棒性算法研究英文题目—ResearchonNoiseRob—ustSpeechRecognition硕士研究生蒲甫安指导教师李银国教授／郑方教授学科专业计算机应用技术论文提交日期2012年4月论文评阅人论文答辩日期2012年5月答辩委员会主席鲎丝拯塑墨童2012年5月独创性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的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得重麽邮电太堂或其他教育机构的学位或证书而使用过的材

2、料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名：摇南受签字日期：如，疋年占月g日学位论文版权使用授权书本学位论文作者完全了解重废邮电太堂有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权重迭邮电太堂可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。(保密的学位论文在解密后适用本授权书)学位论文作者签名：兹泰嬖⋯力肜砂闻＼J签字日期：如／上年6月6日签字日期：z。J哞6月石日重庆邮电大学硕士论文摘要近年

3、来，随着语音识别技术不断地发展，语音识别系统已开始从PC机逐步走向嵌入式平台。然而当嵌入式语音识别系统应用到真实的操作环境中时，由于训练环境和识别环境的不匹配，导致其识别性能大大的下降。本文的重点是针对这些问题，对语音识别系统噪声鲁棒性算法展开研究。论文的主要工作有如下几个方面：第一，构建了一个非特定人语音识别的仿真系统，系统采用一个简化的连续隐马尔科夫模型，即非线性分段与高斯混合模型(NLP+GMM)。该系统将用于噪声鲁棒算法的研究与测试。随后以该系统为基础，进行了谱减法(SS)和维纳滤波(wF)的语音增强实验。实验结果表明，在低信噪比情况下，两种语音增强算法都使系统对

4、噪声的鲁棒性得到提升。第二，提出了求取倒谱均值方差归一(CMvN)参数的递推算法。该递推算法能在线性时间复杂度内计算出均值和方差，使得CMVN参数的平均计算速度得到显著提升。第三，在CMVN算法基础上，提出了基于统计阈值的CMVN，即STCMVN算法。STCMVN算法不仅能滤除特征空间的高频噪声，而且进一步减小训练环境和识别环境的不匹配。实验表明，在信噪比较低情况下，STCMVN都要优于MFCC、CMS和CMVN：CMVN与MFCC相比，相对提升率最高达到24．03％，而STCMVN与CMVN相比，相对提升率最高达到3．03％。第四，提出了语音增强与特征变换的两种融合算法

5、。算法一：只将增强后的语音应用于VAD，而特征提取使用原始带噪语音；算法二：将增强后的语音既用于VAD又用于特征提取。实验表明，两种融合算法的识别结果整体上都要好于文中未融合噪声鲁棒算法的识别结果。就这两种融合算法相比较而言，在较低信噪比(SNR<、5dB)情况下，算法一的识别率高于算法二；在较高信噪比(肼限≥10dB)时，算法二的识别率高于算法一。关键词：噪声鲁棒性，语音识别，嵌入式，语音增强，特征变换重庆邮电大学硕士论文AbstractAbs仃actInrecentdecades，withthecontinuousdevelopmentofautomaticspeec

6、hrecognitiontechnologies，thespeechrecognitionsystemshavegraduallybeenappliedinembeddedplatformfrompersonalcomputerinlabenvironment．Whentheembeddedspeechrecognitionsystemsareappliedtotherealoperatingcircumstances，however’amismatchbetweentrainingandtestingconditionsoftencausesadrasticdecrea

7、seintheperformanceoftherecognitionsystem．Inthisthesis，noiserobustnessalgorithmsofspeechrecognitionarestudied．Themainworksofthisthesisdescribedasfollow：First，speaker-independentspeechrecognitionsystemisimplemented，adoptingasimplifiedHiddenMarkovModel(HMM)，thatis，Non-