基于BSS和SVM的語音識別技術研究.pdf

1、隨著計算機技術的飛速發(fā)展,目前語音識別技術的研究已有了實質性的突破。
　　本文在已有的研究成果上,對以SVM為聲學模型的連續(xù)語音識別系統(tǒng)進行了相關的改進:針對連續(xù)語音識別單元對系統(tǒng)性能有著直接影響的問題,選取了音節(jié)作為識別單元并通過動態(tài)循環(huán)雙門限起止點前后向搜索方法基本實現(xiàn)了每個獨立音節(jié)能夠被完整的切分出來;同時為了使SVM模型獲得較好的訓練數(shù)據(jù),在SVM模型訓練前利用VQ對高維語音參數(shù)進行聚類即碼本設計,并在VQ中引入SAHKC

2、方法對語音信號的MFCC參數(shù)聚類,比傳統(tǒng)的K-means方法的聚類效果更優(yōu)越。
　　由于實際環(huán)境中存在的各種噪聲會導致訓練環(huán)境和識別環(huán)境不匹配,使得大多在實驗室中具有較高識別率的語音識別系統(tǒng)在噪聲環(huán)境下的性能急劇下降。常規(guī)的消噪技術雖然對噪聲的抑制有一定的作用,但是存在一定的局限性。針對此種情況,本文在語音識別系統(tǒng)的前端采用了盲分離技術(BSS)與卡爾曼濾波器相結合的方法對含噪語音進行消噪處理,使噪聲與目標語音信號自動分離,以得到