帶噪環(huán)境下的漢語連續(xù)語音識別研究.pdf

1、目前，漢語連續(xù)語音識別在純凈語音環(huán)境下，已經(jīng)取得了較好的識別效果。但在自然環(huán)境下，由于各種噪聲的影響，識別率依然很低，還不能滿足實(shí)際場合的應(yīng)用要求。因此帶噪環(huán)境的連續(xù)語音識別一直是當(dāng)前語音信號研究的熱點(diǎn)和難點(diǎn)。
　　 HMM模型是連續(xù)語音識別中應(yīng)用最廣泛的模型之一，但模型的訓(xùn)練往往是在安靜的實(shí)驗(yàn)室環(huán)境下完成的，因此訓(xùn)練模型無法有效描述自然環(huán)境下實(shí)際語音信號的特點(diǎn)。噪音干擾使端點(diǎn)檢測的準(zhǔn)確性也大為降低，系統(tǒng)識別率也隨之下降。除此之

2、外，漢語連續(xù)語音識別中識別基元的選取，模型的上下文相關(guān)，都對識別率有較大的影響。
　　 為了提高帶噪環(huán)境下語音識別系統(tǒng)的性能，本文根據(jù)連續(xù)語音識別的基本原理，針對帶噪環(huán)境的特點(diǎn)，對語音識別算法進(jìn)行了一些研究，具體工作如下：
　　 (1)研究了一種改進(jìn)的基于譜減的語音增強(qiáng)算法，該算法解決了基本譜減法的“音樂噪聲“問題；采用基于自適應(yīng)子帶譜熵的端點(diǎn)檢測算法，并將它與改進(jìn)的譜減語音增強(qiáng)相結(jié)合，進(jìn)一步提高了帶噪環(huán)境下語音端點(diǎn)檢測

3、的準(zhǔn)確率。
　　 (2)介紹了一些常用語音特征的提取算法如反映人類聲道信息的LPCC，具有抗噪性能的MFCC；提出了一種基于線性預(yù)測與歸一化互相關(guān)的基音特征提取算法，該算法提高了帶噪環(huán)境基音檢測的性能。
　　 (3)討論了HMM模型的基本原理，并對HMM的三個基本問題前--后向算法，Viterbi算法，Baum-Weich算法做了詳細(xì)介紹；同時對HMM應(yīng)用中的HMM初始模型選取、溢出問題以及模型的合并也做了深入的探究。<