基于bss和svm的語音識別技術(shù)研究

1、<p>　　獨創(chuàng)性（或創(chuàng)新性）聲明</p><p>　　本人聲明所呈交的論文是我個人在導(dǎo)師指導(dǎo)下進行的研究工作及取得的研究成</p><p>　　果。盡我所知，除了文中特別加以標注和致謝中所羅列的內(nèi)容以外，論文中不包含其</p><p>　　他人已經(jīng)發(fā)表或撰寫過的研究成果；也不包含為獲得桂林電子科技大學或其它教育機</p><p>

2、　　構(gòu)的學位或證書而使用過的材料。與我一同工作的同志對本研究所做的任何貢獻均已</p><p>　　在論文中做了明確的說明并表示了謝意。</p><p>　　申請學位論文與資料若有不實之處，本人承擔一切相關(guān)責任。</p><p><b>　　本人簽名：</b></p><p><b>　　日期：</b&g

3、t;</p><p>　　關(guān)于論文使用授權(quán)的說明</p><p>　　本人完全了解桂林電子科技大學有關(guān)保留和使用學位論文的規(guī)定，即：研究生在</p><p>　　校攻讀學位期間論文工作的知識產(chǎn)權(quán)單位屬桂林電子科技大學。本人保證畢業(yè)離校</p><p>　　后，發(fā)表論文或使用論文工作成果時署名單位仍然為桂林電子科技大學。學校有權(quán)保</p&

4、gt;<p>　　留送交論文的復(fù)印件，允許查閱和借閱論文；學?？梢怨颊撐牡娜炕虿糠謨?nèi)容，</p><p>　　可以允許采用影印、縮印或其它復(fù)制手段保存論文。（保密的論文在解密后遵守此規(guī)</p><p><b>　　定）</b></p><p>　　本學位論文屬于保密在_____年解密后適用本授權(quán)書。</p>&l

5、t;p><b>　　本人簽名：</b></p><p><b>　　導(dǎo)師簽名：</b></p><p><b>　　萬方數(shù)據(jù)</b></p><p><b>　　日期：</b></p><p><b>　　日期：</b><

6、/p><p><b>　　摘 要</b></p><p><b>　　摘 要</b></p><p>　　隨著計算機技術(shù)的飛速發(fā)展，目前語音識別技術(shù)的研究已有了實質(zhì)性的突破。</p><p>　　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</p><p

7、>　　關(guān)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</p><p>　　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</p><p>　　夠被完整的切分出來；同時為了使 SVM 模型獲得較好的訓(xùn)練數(shù)據(jù)，在 SVM 模型訓(xùn)</p><p>　　練前利用 VQ 對高維語音參數(shù)進行聚類即碼本設(shè)計，并在 VQ

8、中引入 SAHKC 方法對</p><p>　　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。</p><p>　　由于實際環(huán)境中存在的各種噪聲會導(dǎo)致訓(xùn)練環(huán)境和識別環(huán)境不匹配，使得大多在</p><p>　　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</p><p>　　技術(shù)雖

9、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</p><p>　　在語音識別系統(tǒng)的前端采用了盲分離技術(shù)(BSS)與卡爾曼濾波器相結(jié)合的方法對含噪</p><p>　　語音進行消噪處理，使噪聲與目標語音信號自動分離，以得到較為純凈的目標語音信</p><p><b>　　號。</b></p><p>

10、;　　最后在 MATLAB 平臺上進行仿真實驗分析，從三個方面即碼本設(shè)計及容量、盲</p><p>　　分離和卡爾曼濾波器構(gòu)建的消噪方法以及 SVM 核函數(shù)對 VQ-SVM 語音識別系統(tǒng)進</p><p>　　行了相關(guān)實驗，并將改進的 VQ-SVM 模型與原有的 SVM 模型在特定人和非特定人測</p><p>　　試集下進行實驗對比分析，驗證了改進的碼本設(shè)計算法和

11、抗噪方法對系統(tǒng)性能有一定</p><p><b>　　的提高。</b></p><p>　　關(guān)鍵詞：語音識別；SVM；SAHKC；盲分離(BSS)</p><p><b>　　- I -</b></p><p><b>　　萬方數(shù)據(jù)</b></p><p&g

12、t;<b>　　Abstract</b></p><p><b>　　Abstract</b></p><p>　　With the rapid development of computer technology, the research of speech</p><p>　　recognition technolo

13、gy has a substantial breakthrough.</p><p>　　In this paper, aimming at the existing research results, some improvements are made</p><p>　　for the continuous speech recognition system with the aco

14、ustic model based SVM. For the</p><p>　　issue of the unit of continuous speech recognition has a direct impact on system</p><p>　　performance, the syllable is selected as a recognition unit. Eac

15、h individual syllable out of a</p><p>　　complete segmentation can be achieved by dynamic loop of beginning and ending points</p><p>　　search to before and after method. Meanwhile, in order to ob

16、tain better training data for</p><p>　　SVM model, before using the SVM model, high-dimensional speech parameters are</p><p>　　clustered by VQ. SAHKC method is introduced for clustering the MFCC

17、parameters of</p><p>　　speech and is more effect than the traditional K-means method.</p><p>　　Because in a real environment, noise will lead a dismatch of the training environment</p>&l

18、t;p>　　and recognition environment, and there is a sharp decline for the recognition rate of the</p><p>　　most speech recognition system from laboratory to noisy environment. Even conventional</p>&

19、lt;p>　　noise cancellation technology is useful for noise suppression, but also there are some</p><p>　　limitations. In such cases, the combination technology of Blind signal separation</p><p>

20、;　　technology and Kalman filter which denoises for speech in noisy environment is used in</p><p>　　the front-end speech recognition system for automatically separating the noise and target</p><p&g

21、t;　　speech signal to obtain a more pure target speech signal.</p><p>　　Finally, simulation is made on the Matlab platform. In the three aspects, the</p><p>　　simulation experiments of speech rec

22、ognition system based the VQ and SVM model are</p><p>　　made, that is codebook capacity and design, the anti-noise technology constructed by blind</p><p>　　source separation and Kalman filter SV

23、M kernel function. And the comparative of</p><p>　　experiments of the improved VQ-SVM model and original SVM model in different of test</p><p>　　sets which are particual and non-specific persons

24、 test sets are made, the simulation results</p><p>　　of the improved algorithm of codebook design and the anti-noise method indicate that</p><p>　　system performance can be increased.</p>

25、<p>　　Key words: Speech Recognition；SVM；SAHKC；Blind Signal Separation(BSS)</p><p><b>　　- II -</b></p><p><b>　　萬方數(shù)據(jù)</b></p><p><b>　　目 錄</b>&

26、lt;/p><p><b>　　目 錄</b></p><p><b>　　摘要</b></p><p><b>　　Abstract</b></p><p><b>　　目 錄</b></p><p><b>　　第一章 緒

27、論</b></p><p><b>　　I</b></p><p><b>　　II</b></p><p><b>　　III</b></p><p><b>　　1</b></p><p>　　1.1 研究背景與意義

28、......................................................................................................1</p><p>　　1.2 語音識別研究的發(fā)展狀況...............................................................................

29、.......2</p><p>　　1.3 本論文的主要工作和內(nèi)容安排..............................................................................4</p><p>　　第二章 語音識別系統(tǒng)的基本原理</p><p><b>　　6</b></p>

30、<p>　　2.1 語音識別系統(tǒng)的基本結(jié)構(gòu)......................................................................................6</p><p>　　2.2 預(yù)處理.............................................................................

31、.........................................6</p><p>　　2.3 語音識別單元的確定...............................................................................................8</p><p>　　2.4 語音特征參數(shù)確定...........

32、.......................................................................................8</p><p>　　2.5 語音識別模型...................................................................................................

33、......10</p><p>　　2.5.1 常用聲學模型..............................................................................................10</p><p>　　2.5.2 支持向量機...............................................

34、.................................................... 11</p><p>　　2.5.3 矢量量化......................................................................................................17</p><p>　　2.5.3

35、.1 VQ 的基本理論............................................................................... 17</p><p>　　2.5.3.2 VQ 失真測度................................................................................... 18<

36、;/p><p>　　2.5.3.3 碼本設(shè)計.........................................................................................18</p><p>　　2.6 本章小結(jié)..................................................................

37、...............................................19</p><p>　　第三章 語音在噪聲環(huán)境下的消噪處理</p><p><b>　　20</b></p><p>　　3.1 盲分離(BSS)基本概念................................................

38、..........................................20</p><p>　　3.1.1 盲分離基本模型...........................................................................................20</p><p>　　3.1.2 盲分離的不確定性..........

39、.............................................................................21</p><p>　　3.1.3 盲分離預(yù)處理...............................................................................................21</p>

40、;<p>　　3.2 FastICA 算法.......................................................................................................... 23</p><p>　　3.3 噪聲環(huán)境下的噪聲消除..............................................

41、...........................................24</p><p>　　3.3.1 盲分離消噪...................................................................................................24</p><p>　　3.3.2 實驗結(jié)果及分析....

42、.......................................................................................26</p><p>　　3.4 本章小結(jié)....................................................................................................

43、............31</p><p><b>　　- III -</b></p><p><b>　　萬方數(shù)據(jù)</b></p><p><b>　　目錄</b></p><p>　　第四章 語音識別系統(tǒng)的 MATLAB 實現(xiàn)</p><p>&l

44、t;b>　　32</b></p><p>　　4.1 語音庫簡介.............................................................................................................32</p><p>　　4.2 特征參數(shù)提取.......................

45、.................................................................................32</p><p>　　4.2.1 語音信號預(yù)處理...........................................................................................32</p&g

46、t;<p>　　4.2.2 音節(jié)切分與 MFCC 特征提取......................................................................33</p><p>　　4.3 VQ 的碼本優(yōu)化算法...........................................................................

47、................... 37</p><p>　　4.4 基于 SVM 的語音訓(xùn)練與識別.............................................................................. 40</p><p>　　4.5 實驗分析及結(jié)論.........................................

48、............................................................42</p><p>　　4.6 本章小結(jié)................................................................................................................44</p>&

49、lt;p><b>　　第五章 總結(jié)與展望</b></p><p><b>　　參考文獻</b></p><p><b>　　致 謝</b></p><p>　　作者在攻讀碩士期間主要研究成果</p><p><b>　　萬方數(shù)據(jù)</b></p&

50、gt;<p><b>　　- IV -</b></p><p><b>　　46</b></p><p><b>　　47</b></p><p><b>　　50</b></p><p><b>　　51</b><

51、;/p><p><b>　　第一章 緒論</b></p><p><b>　　第一章 緒論</b></p><p>　　§1.1 研究背景與意義</p><p>　　語音是對講話聲音的抽象表示，是語言的載體，是人類社會特有的信息系統(tǒng)和用</p><p>　　于社會交際的

52、工具符號。所謂的語音識別[1]就是能夠讓機器聽明白人所說的話，其作</p><p>　　為一門交叉學科，與人工智能、計算機科學、數(shù)字信號處理等學科領(lǐng)域有著緊密的關(guān)</p><p>　　系。根據(jù)語音識別技術(shù)的屬性，可將基本功能歸為兩大類，一是根據(jù)人本身的聲紋特</p><p>　　征來進行身份判別認證；二是根據(jù)人發(fā)出特定的語音指令來進行命令控制。隨著計算</p&

53、gt;<p>　　機科學技術(shù)、數(shù)字信號處理以及聲學技術(shù)的發(fā)展，使語音識別能夠由理論的研究逐步</p><p>　　轉(zhuǎn)化為硬件實現(xiàn)，近年來也得到了相當廣泛的應(yīng)用,其主要的應(yīng)用市場可以包括以下</p><p><b>　　幾個方面[2]：</b></p><p><b>　　(1)桌面應(yīng)用</b></p&g

54、t;<p>　　語音識別技術(shù)集成應(yīng)用在 PC 機上，不僅可以用來進行身份認證和編輯文本，還</p><p>　　可以通過聽取和響應(yīng)用戶講述的命令來運行程序并與操作系統(tǒng)實現(xiàn)交互。</p><p><b>　　(2)嵌入式應(yīng)用</b></p><p>　　嵌入式應(yīng)用的范疇很廣，如手持或移動通訊設(shè)備及家用電器的語音控制和內(nèi)容輸</

55、p><p><b>　　入等。</b></p><p><b>　　(3)電話系統(tǒng)應(yīng)用</b></p><p>　　語音識別技術(shù)應(yīng)用于企業(yè)自動語音服務(wù)，為企業(yè)提供一種智能化的并且相對安全</p><p>　　的自動服務(wù)方式，主要包括企業(yè)的用戶服務(wù)中心(Call-Center)、電話銀行、股票交易、<

56、;/p><p>　　電子商務(wù)等應(yīng)用領(lǐng)域。</p><p><b>　　(4)Web 應(yīng)用</b></p><p>　　語音識別技術(shù)與 Web 應(yīng)用相結(jié)合成為了一個新的發(fā)展方向，例如語音瀏覽器、</p><p>　　基于 Web Services 的語音遠程控制、語音搜索引擎、網(wǎng)上語音聊天室以及語音網(wǎng)游等 。</p>

57、;<p>　　(5)行業(yè)特殊應(yīng)用領(lǐng)域</p><p>　　語音識別技術(shù)可以為有關(guān)部門提供應(yīng)用方案，節(jié)省大量的人力，提高工作效率。</p><p>　　從語音識別技術(shù)開始出現(xiàn)以來，已經(jīng)發(fā)展了近 60 年。目前比較成熟的有矢量量</p><p>　　化(Vector Quantitation，VQ)、隱馬爾科夫(Hidden Markov Model，HM

58、M)等模型構(gòu)建</p><p>　　的識別系統(tǒng)，這些模型在促進語音識別技術(shù)的發(fā)展起了很好的作用，然而也存在著一</p><p>　　定的局限性，如 HMM 等模型雖然有很強的動態(tài)時序建模功能力，但存在分類決策能</p><p>　　力差等缺點。而近年發(fā)展起來的支持向量機(Support Vector Machine ，SVM)能夠較</p><p

59、>　　好的解決小樣本、非線性和局部極小點等問題，同時應(yīng)用于語音識別時能夠有效的解</p><p>　　決傳統(tǒng)分類器的過學習、泛化能力差等問題，但是在普通語音條件下,直接利用 SVM</p><p><b>　　- 1 -</b></p><p><b>　　萬方數(shù)據(jù)</b></p><p>　

60、　基于 BSS 和 SVM 的語音識別技術(shù)研究</p><p>　　建模存在著特征參數(shù)的維數(shù)很高，運算量和內(nèi)存需求都非常大等問題。因此針對如</p><p>　　何處理大規(guī)模樣本集的訓(xùn)練問題，本文采用了 VQ 與 SVM 結(jié)合的方式。</p><p>　　同時有研究表明語音識別系統(tǒng)在無噪聲或干擾的實驗室環(huán)境下，識別率已經(jīng)超過</p><p>

61、　　了 95%，但由于實際環(huán)境中背景噪聲的存在，特別是干擾聲音的存在，例如其他說話</p><p>　　人的話音、機械噪聲等，這些噪聲有時很強，使得目標語音受到污染，最終導(dǎo)致自動</p><p>　　語音識別系統(tǒng)識別性能大大降低。消除語音信號中的干擾噪聲一直是語音識別處理中</p><p>　　的難點，而傳統(tǒng)的濾波器消噪方法在處理短時瞬態(tài)信號、含有寬帶噪聲信號時并不

62、是</p><p>　　很理想，目前比較流行的小波消噪法也能取得較好的效果，但是其計算量比較大，同</p><p>　　時在高信噪比的時候有一定的局限性。這就需要尋找一種可靠的方法進行語音降噪處</p><p>　　理。基于這樣一種狀況，本文采用了一種有效的技術(shù)用于語音的消噪處理。</p><p>　　§1.2 語音識別研究的發(fā)展狀

63、況</p><p>　　從對利用機械裝置實現(xiàn)人類語言的好奇以及期望人機間能夠自動完成簡單的任</p><p>　　務(wù)，到研究自動語音識別(和語音合成)已經(jīng)經(jīng)歷了 60 多年。最早始于 20 世紀 30 年</p><p>　　代研究的語音識別系統(tǒng)是說話人辨認，而主要依靠人耳的聽辨進行性能分析。在經(jīng)過</p><p>　　二十多年的發(fā)展后，在

64、50 年代最早的 10 個英語數(shù)字識別系統(tǒng)首次由 Bell 實驗室研</p><p>　　制成功，其識別方法是根據(jù)語音的共振峰提取出若干特征參數(shù)來建立語音參考模</p><p>　　型，再比較未知語音與語音參考模型的相關(guān)度來進行識別， 該系統(tǒng)得到 98%的</p><p>　　正確率。同時隨著計算機應(yīng)用的發(fā)展，語音識別研究工作逐步取得了實質(zhì)性進步。</p>

65、;<p>　　60 年代，動態(tài)規(guī)劃(Dynamic Programming，DP)和線性預(yù)測分析技術(shù)(Linear Pr-</p><p>　　ediction，LP) [3]被提出，有效的解決了在對語音信號的參數(shù)序列進行比較時出現(xiàn)的時</p><p>　　長不等的難題以及特征提取問題；尤其是 LP 技術(shù)，其較好地解決了語音信號產(chǎn)生模</p><p>

66、　　型的問題，且對語音識別技術(shù)的發(fā)展產(chǎn)生了深遠影響。</p><p>　　70 年代，語音識別技術(shù)取得了一系列具有里程碑意義的成績。在 70 年代初期，</p><p>　　動態(tài)規(guī)劃方法、線性預(yù)測技術(shù)等基礎(chǔ)研究在理論上得到進一步的發(fā)展。孤立詞和孤立</p><p>　　語句的語音識別在實踐中成為了可行的有用技術(shù)，而被提出的 VQ 技術(shù)在語音編碼中</p>

67、<p>　　取得了成功，同時由普林斯頓大學的萊尼鮑姆與高級研究計劃局(ARPA)共同研發(fā)的</p><p>　　HMM 也獲得了初步效果。在這一時期，IBM 和 AT&T Bell 這兩個實驗室對語音識別</p><p>　　系統(tǒng)的商業(yè)化發(fā)展形成了兩個不同的方向：其中 IBM 的目的[4]是設(shè)計一個能夠?qū)⒄f</p><p>　　話人的語句轉(zhuǎn)換成

68、可以在屏幕上顯示或在報紙上被打印出的句子或詞的聲控打字機，</p><p>　　其技術(shù)的重點是識別詞匯量的大小和從統(tǒng)計意義上來說的在語音信號中可能出現(xiàn)的</p><p>　　語法規(guī)則的語言模型結(jié)構(gòu)，這為之后引進的 N-gram 語言模型奠定了基礎(chǔ)，目前 N-gram</p><p>　　語言模型已成為大詞匯量語音識別系統(tǒng)不可缺少的一部分；AT&T Bell

69、為了給公眾提</p><p>　　供自動電話服務(wù)，例如語音撥號以及指揮和控制電話呼叫路由，對能夠處理各類口音</p><p><b>　　- 2 -</b></p><p><b>　　萬方數(shù)據(jù)</b></p><p><b>　　第一章 緒論</b></p>&

70、lt;p>　　的非特定說話人系統(tǒng)進行了研究，在研究的同時為了給各類說話人的文字和語音創(chuàng)建</p><p>　　參考模型，產(chǎn)生了一系列語音聚類算法。在這一時期語音的抗噪技術(shù)也逐漸被人重視 ，</p><p>　　1978 年在最小均方準則下采用維納濾波方法進行抗噪，1979 年 Boll 提出了譜減法即</p><p>　　從帶噪語音的功率譜中減去噪聲功率譜來抑

71、制噪聲。</p><p>　　80 年代，由于大規(guī)模集成電路技術(shù)與語音理論技術(shù)的飛速發(fā)展，語音信號處理</p><p>　　技術(shù)產(chǎn)品化出現(xiàn)了熱潮。語音識別研究進一步走向深入，連續(xù)詞語識別研究取代孤立</p><p>　　詞語識別研究，成為這一時期研究的熱點[5]。</p><p>　　80 年代語音識別研究的特點是從基于模板的直觀方法朝著更加

72、嚴格的統(tǒng)計模型</p><p>　　方法進行轉(zhuǎn)變，尤其是轉(zhuǎn)向研究 HMM 的理論、方法和實現(xiàn)問題。盡管在 60 年代 HMM</p><p>　　就被提出，并于 70 年代在語音識別系統(tǒng)中使用，由于其數(shù)學模型艱澀難以被理解，</p><p>　　直到 80 年代中期其理論和方法被廣泛發(fā)表以后才被更多研究者了解和認識。美國卡</p><p>　

73、　內(nèi)基-梅隆大學于 1988 年以 HMM 模型建立的非特定人和大詞匯量的連續(xù)語音識別系</p><p>　　統(tǒng)即 SPHINX 系統(tǒng)被認為是語音識別歷史的一個里程碑。由于 HMM 理論的成熟、計</p><p>　　算簡便、性能高效的特點，HMM 成為了語音識別的首選方法。在過去二十多年里，</p><p>　　作為語音識別基礎(chǔ)模型的 HMM，隨著其技術(shù)不斷的改進

74、與創(chuàng)新，其普及程度與使用</p><p><b>　　程度一直保持不變。</b></p><p>　　另一技術(shù)即人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)于 80 年代末被引入到</p><p>　　語音識別系統(tǒng)。實際上 ANN 最早于 50 年代就開始被研究了，但是初步成效未能顯</p><

75、p>　　示，隨著基礎(chǔ)理論的深入研究，也得到了較大的發(fā)展。其實質(zhì)上是在模擬了人類神</p><p>　　經(jīng)活動基礎(chǔ)上的一個具有自適應(yīng)性、并行處理等優(yōu)點的自適應(yīng)非線性動力學系</p><p>　　統(tǒng)。用于語音識別的 ANN 在早期的嘗試過程中，主要集中在簡單的任務(wù)上，例</p><p>　　如識別幾個音素或少量詞(孤立數(shù)字)，其效果比較好 [6]。神經(jīng)網(wǎng)絡(luò)模型雖然

76、有很</p><p>　　強的模式分類能力，但有網(wǎng)絡(luò)結(jié)構(gòu)難以確定、容易過學習以及泛化能力差等缺點。</p><p>　　90 年代，模式識別領(lǐng)域發(fā)生了巨大革新。傳統(tǒng)上遵循貝葉斯框架和數(shù)據(jù)要求分</p><p>　　布估計的模式識別問題轉(zhuǎn)化為一個具有最小經(jīng)驗識別誤差的優(yōu)化問題[7]。對于語音信</p><p>　　號無法準確選擇或定義的識別分布

77、函數(shù)造成了范式的根本性變化，同時貝葉斯決策理</p><p>　　論在這種情況下將不適用。畢竟，一個識別器的設(shè)計目標是實現(xiàn)最小識別誤差而不是</p><p>　　通過貝葉斯準則使分布函數(shù)對已知的數(shù)據(jù)集進行最佳擬合。隨后分類或經(jīng)驗誤差最小</p><p>　　化概念催生了大量的技術(shù)，其中包括分類訓(xùn)練和基于內(nèi)核的方法，例如已成為研究的</p><p&

78、gt;　　熱門課題的 SVM[8][9]。</p><p>　　90 年代以來，語音信號處理在實用化方面也已經(jīng)取得了許多實質(zhì)性進展，而與</p><p>　　此同時，各個應(yīng)用學科的不斷進行交錯發(fā)展，語音識別的應(yīng)用領(lǐng)域也越來越廣闊，例</p><p>　　如車載語音識別系統(tǒng)、移動互聯(lián)網(wǎng)語音識別等。隨著信號特征的提取和優(yōu)化技術(shù)、聲</p><p>

79、;　　學模型的細化、自然語音理解領(lǐng)域中語言模型的建立和解碼搜索算法技術(shù)的不斷成</p><p>　　熟，出現(xiàn)了比較成功的大詞匯量、連續(xù)語音識別系統(tǒng)，例如 IBM 的 Via Voice 系 列 、</p><p><b>　　- 3 -</b></p><p><b>　　萬方數(shù)據(jù)</b></p><p

80、>　　基于 BSS 和 SVM 的語音識別技術(shù)研究</p><p>　　Microsoft 的 Whisper 等，這些系統(tǒng)大多基于 HMM 的聲學模型。而隨著中國在國際上</p><p>　　地位的提升，漢語語音識別也越來越受到國外的關(guān)注，目前代表著漢語識別最高水平</p><p>　　的兩個系統(tǒng)分別為 IBM 推出的 Via Voice 和 Microso

81、ft 發(fā)布的中文識別引擎。</p><p>　　在抗噪方面也有了新的發(fā)展，即軟判決法和 MMSE 短時譜估計也被用于抑制噪</p><p>　　聲，1987 年 pailwal 和 Basu 將卡爾曼濾波用于語音識別領(lǐng)域[10]，小波去噪也被廣泛</p><p>　　采用。目前語音識別消噪處理方法主要有以下幾方面[11]：第一是尋找穩(wěn)健的語音參數(shù) ；</p&g

82、t;<p>　　第二是語音增強方法，即在語音識別系統(tǒng)前端進行預(yù)處理來提高輸入信號的信噪比；</p><p>　　第三是基于模型的噪聲補償方法。</p><p>　　我國的語音識別研究相對于國外起步較晚，最早始于 1958 年，由中國科學院聲</p><p>　　學所利用電子管電路識別 10 個元音。俞鐵城教授在 1977 年發(fā)表了國內(nèi)的第一篇語音<

83、;/p><p>　　識別的論文。在 1979 年首個語音技術(shù)中心由方棣棠教授和吳文虎教授創(chuàng)建。1986 年</p><p>　　我國高科技發(fā)展計劃(863 計劃)啟動，語音識別作為智能計算機系統(tǒng)研究的一個重要</p><p>　　組成部分而被專門列為研究課題。各個研究機構(gòu)和高校紛紛投身到這一領(lǐng)域，在經(jīng)過</p><p>　　了二十多年的發(fā)展后，已

84、經(jīng)取得了豐碩的成果。其中的非特定人、大詞匯連續(xù)語音識</p><p>　　別的研究獲得了巨大的突破，其準確率與國外最高水平相近。</p><p>　　§1.3 本論文的主要工作和內(nèi)容安排</p><p>　　本文主要工作是把盲分離算法與卡爾曼濾波器結(jié)合應(yīng)用在以 SVM 為語音模型的</p><p>　　語音識別系統(tǒng)前端，目的是消除混

85、雜在語音中的干擾噪聲，提取出目標語音信號以用</p><p>　　于后端的語音識別系統(tǒng)。并針對在普通語音條件下，直接建立 SVM 語音模型存在著</p><p>　　特征參數(shù)的維數(shù)很高、運算量和內(nèi)存需求非常大等問題，在研究 VQ 模型的 K-means</p><p>　　聚類算法的基礎(chǔ)上提出新的 SAHKC 算法，并與 SVM 結(jié)合用于語音的訓(xùn)練與識別，</

86、p><p>　　較好的處理了大規(guī)模樣本集問題。</p><p>　　本論文的主要內(nèi)容安排如下：</p><p>　　第一章主要介紹了課題研究背景與意義，國內(nèi)外研究的發(fā)展狀況及文章結(jié)構(gòu)安</p><p><b>　　排；</b></p><p>　　第二章對語音識別系統(tǒng)的整體結(jié)構(gòu)進行了闡述，主要是論述了

87、識別單元、特征參</p><p>　　數(shù)以及聲學模型的確定；</p><p>　　第三章對在噪聲環(huán)境下的語音識別進行了研究，提出了一個通過盲源分離技術(shù)和</p><p>　　卡爾曼濾波器結(jié)合的算法進行語音識別系統(tǒng)消噪。通過實驗在噪聲環(huán)境下對系統(tǒng)進行</p><p>　　了檢測，最后驗證了此算法的可行性；</p><p>

88、;　　第四章是詳細介紹了本文語音識別系統(tǒng)的主要算法及其改進，主要有音節(jié)切分算</p><p>　　法、碼本優(yōu)化算法、SVM 模型的訓(xùn)練與識別算法，并從以下幾個方面對該系統(tǒng)的性</p><p>　　能影響進行了實驗驗證分析，即碼本設(shè)計及容量、語音在噪聲環(huán)境下通過消噪處理后</p><p><b>　　- 4 -</b></p>&l

89、t;p><b>　　萬方數(shù)據(jù)</b></p><p><b>　　第一章 緒論</b></p><p>　　的識別性能以及不同核函數(shù)對 SVM 構(gòu)建的語音識別的影響，并將本文改進的</p><p>　　VQ/SVM 與原有的 SVM 識別模型在不同測試集中進行了性能對比分析；</p><p>

90、　　第五章是總結(jié)與前景展望。</p><p><b>　　- 5 -</b></p><p><b>　　萬方數(shù)據(jù)</b></p><p>　　基于 BSS 和 SVM 的語音識別技術(shù)研究</p><p>　　第二章 語音識別系統(tǒng)的基本原理</p><p>　　語音識別[12

91、]就是一門研究讓機器能夠聽懂人類語言的學問，其與語音合成相結(jié)合</p><p>　　就構(gòu)成了一個完整的“人機對話通信系統(tǒng)”；通常存在兩種方式，一種是將口述語言</p><p>　　轉(zhuǎn)換成相應(yīng)的文字，另一種是根據(jù)口述語言所包含的意思做出正確的指示。</p><p>　　§2.1 語音識別系統(tǒng)的基本結(jié)構(gòu)</p><p>　　一個完整的連

92、續(xù)語音識別系統(tǒng)可分為訓(xùn)練與識別兩部分：訓(xùn)練就是建模的過程，</p><p>　　預(yù)先分析出語音特征參數(shù)，制作出語音模板并存放在語音參數(shù)庫中；識別就是將待識</p><p>　　別的語音經(jīng)過與訓(xùn)練時相同的分析，得到語音參數(shù)并與庫中的參數(shù)模板進行比較，同</p><p>　　時采用判決方法找出最接近語音特征的模板，從而得出識別結(jié)果。語音識別系統(tǒng)的基</p>

93、<p><b>　　本構(gòu)成如下圖所示：</b></p><p><b>　　語</b></p><p><b>　　法</b></p><p><b>　　識</b></p><p><b>　　別</b></p&g

94、t;<p><b>　　語</b></p><p><b>　　音</b></p><p><b>　　特征參數(shù)</b></p><p><b>　　提 取</b></p><p><b>　　模式匹配</b></

95、p><p><b>　　判</b></p><p><b>　　別</b></p><p><b>　　識</b></p><p><b>　　輸</b></p><p><b>　　別</b></p>

96、<p><b>　　出</b></p><p><b>　　訓(xùn)</b></p><p><b>　　練</b></p><p><b>　　模</b></p><p><b>　　板</b></p><

97、;p>　　圖 2.1 語音識別系統(tǒng)結(jié)構(gòu)圖</p><p>　　由上可以看出語音識別系統(tǒng)主要由三部分組成，即特征提取、聲學模型和語言模</p><p>　　型。語言模型是指在匹配搜索時用于字詞和路徑約束的語言規(guī)則，一般在中小詞匯量</p><p>　　連續(xù)語音識別中可以不考慮語言模型，因此本文不對該模型進行討論。而對于連續(xù)語</p><p&g

98、t;　　音識別來說，識別單元的選取也將對識別性能有著一定的影響，因此本章主要解決三</p><p><b>　　個問題：</b></p><p>　　（1）識別單元的確定；</p><p>　?。?）特征參數(shù)的確定；</p><p>　?。?）聲學模型的確定；</p><p><b>　

99、　§2.2 預(yù)處理</b></p><p>　　語音信號在被分析及處理前先需要進行預(yù)處理[13]，即采樣、預(yù)加重、分幀和加窗 ：</p><p><b>　　1．采樣</b></p><p>　　采樣是將連續(xù)的語音模擬信號離散化的過程，一般地為了使完整的語音信息不被</p><p>　　丟失，信號的

100、采樣頻率須高于該語音信號的最高頻率成分的 2 倍。由于人類的語音信</p><p><b>　　- 6 -</b></p><p><b>　　萬方數(shù)據(jù)</b></p><p>　　第二章 語音識別系統(tǒng)的基本概述</p><p>　　號的頻帶大約是 300~3400HZ，因此通常情況下，采樣頻率至少

101、要大于或等于 8000Hz。</p><p>　　采樣過后的量化就是用有限的電平去表示模擬采樣值的過程，當用計算機來錄制語音</p><p>　　時通常由計算機的聲卡自動完成以上過程的。</p><p><b>　　2．預(yù)加重</b></p><p>　　由于語音信號的平均功率譜受聲門激勵和口鼻輻射影響，高頻端大約在 8

102、00Hz</p><p>　　以上按 6dB/倍頻程跌落，頻率越高相應(yīng)的成分越小，高頻部分的頻譜比低頻部分的</p><p>　　難求，為此要在預(yù)處理中進行預(yù)加重處理，目的是提升語音信號的高頻成分，使語音</p><p>　　信號的頻譜變得平坦和降低尖銳噪聲的影響。一般是將語音信號通過一個一階的數(shù)字</p><p><b>　　濾波

103、器：</b></p><p>　　H (Z )?? 1???? z??1</p><p><b>　　(2-2-1)</b></p><p>　　式中?? 為預(yù)加重系數(shù)，值接近于 1。</p><p><b>　　3．分幀</b></p><p>　　由于人在發(fā)音

104、時發(fā)聲器官的運動存在一定的慣性，在很短的時間內(nèi)發(fā)聲器官的狀</p><p>　　態(tài)可被視為不變的，因此語音信號被認為具有短時平穩(wěn)特性，則可通過對其進行短時</p><p>　　處理即分幀使之具有短時平穩(wěn)性。通常取 10ms-30ms 的信號采樣量化值作為一幀，</p><p>　　同時為了連續(xù)性，幀之間需要 30%-50%的重疊。</p><p&

105、gt;<b>　　第K幀</b></p><p><b>　　第K+1幀</b></p><p><b>　　第K+2幀</b></p><p><b>　　幀</b></p><p><b>　　移</b></p>&

106、lt;p><b>　　幀</b></p><p><b>　　長</b></p><p><b>　　圖 2.2</b></p><p><b>　　幀長與幀移</b></p><p><b>　　4．加窗</b></p&

107、gt;<p>　　通常采用一個長度有限的窗函數(shù)來截取語音信號形成分析幀，窗函數(shù) w(n) 將需</p><p>　　處理區(qū)域之外的樣點置零，來獲得當前語音幀。設(shè)定幀長度為 N ，對已取出的一幀語</p><p>　　音 s(n) 進行加窗處理，就是用一定的窗函數(shù) w(n) 來乘以 s(n) ，得到加窗后的語音</p><p><b>　　sw

108、 (n) ：</b></p><p>　　sw (n)?? s(n)?? w(n)</p><p>　　常用的窗函數(shù)為矩形窗和漢明窗等。</p><p><b>　　矩形窗：</b></p><p>　　0?≤ n?≤ (N??1)</p><p><b>　　(2-2-2)

109、</b></p><p><b>　　萬方數(shù)據(jù)</b></p><p><b>　　漢明窗：</b></p><p>　　?1 0?≤ n?≤ N??1</p><p><b>　　其他</b></p><p>　　?0.54?? 0.46

110、cos[2? n ( N??1)] 0?≤ n?≤ N??1</p><p><b>　　其他</b></p><p><b>　　- 7 -</b></p><p><b>　　(2-2-3)</b></p><p><b>　　(2-2-4)</b>&

111、lt;/p><p>　　基于 BSS 和 SVM 的語音識別技術(shù)研究</p><p>　　經(jīng)過上面介紹的預(yù)處理，采樣后的語音信號就被分割成一幀一幀的短時語音信</p><p>　　號，然后再把每一個短時語音幀看成平穩(wěn)的隨機信號，利用數(shù)字信號處理技術(shù)來提取</p><p><b>　　語音特征參數(shù)。</b></p>

112、<p>　　§2.3 語音識別單元的確定</p><p>　　在語音識別中，通常需要判別輸入的語音信號哪些是語音部分，哪些是非語音部</p><p>　　分。而在漢語連續(xù)語音識別中，由于語音中短語的數(shù)量過大，對整個短語進行整體識</p><p>　　別顯然是不可能實現(xiàn)的，需要將輸入的語流切分成較小的組成部分，并且使識別單元</p>

113、<p>　　滿足以下特征：第一，在識別率不受影響的情況下選取的最小單元數(shù)要滿足訓(xùn)練所需</p><p>　　求的，即可訓(xùn)練性；第二，針對不同的人、不同的口音時識別單元能夠容易被提取且</p><p>　　提取的一致性好，即良好的檢測性；第三，選取的單元具有較強魯棒性，即當單元的</p><p>　　提取有誤差時不對系統(tǒng)的識別率有明顯影響。漢語識別單元的

114、選取可以有多種形式</p><p>　　[14]：詞或短語、音節(jié)（漢語中的字）、聲韻母以及音素等。</p><p>　　以詞或短語作為基元，由于詞與語義理解相關(guān)，其切分比較困難；且當詞匯量較</p><p>　　大時，基元的數(shù)量非常龐大，訓(xùn)練時的工作量和運算量巨大。</p><p>　　當采用聲韻母作為識別基元時，除需要用到能量與過零率參數(shù)外

115、，還需用到語言</p><p>　　學知識，盡管聲韻母模型的單元數(shù)量較少，漢語普通話中總計有 21 個聲母和 38 個韻</p><p>　　母；但是根據(jù)聲學角度來看，由于聲韻母之間的協(xié)同發(fā)音會導(dǎo)致很難確定聲韻母之間</p><p>　　的邊界，同時在不同的發(fā)音方式下，同一基元的檢測一致性較差。</p><p>　　而將音素作為識別單元是無意

116、義的，因為漢語的音素除聲母外都是不穩(wěn)定的，同</p><p>　　時韻母中的各音素，是許多過度性的音素串，切分它比較困難。</p><p>　　音節(jié)是漢語普通話發(fā)音的最小單位。從語音心理學的角度來看，音節(jié)也是基本的</p><p>　　語音感知單位，每個漢語音節(jié)內(nèi)部結(jié)構(gòu)緊密。由聲母、韻母和聲調(diào)組成的有調(diào)音節(jié)約</p><p>　　為 1282

117、 個，如果不考慮聲調(diào)，則僅有 412 個音節(jié)。盡管總的基元數(shù)量較大，但是音</p><p>　　節(jié)之間協(xié)同發(fā)音現(xiàn)象沒有音素和聲韻母那樣嚴重，相對來說，比較容易確定音節(jié)之間</p><p><b>　　的邊界。</b></p><p>　　針對以上常用的識別單元，從詞匯量、系統(tǒng)的計算復(fù)雜度、存儲量以及單元的穩(wěn)</p><p&g

118、t;　　定性等因素考慮，音節(jié)的切分是最容易的，因此本文研究的語音識別單元是音節(jié)單元 。</p><p>　　§2.4 語音特征參數(shù)確定</p><p>　　特征提取主要是利用信號處理技術(shù)來處理輸入的語音信號，選擇可利用的特征子</p><p>　　集以便在經(jīng)驗?zāi)Ｐ椭惺褂玫倪^程，其方式是重要的且不是唯一的。同時提取出的特征</p><p&

119、gt;　　參數(shù)應(yīng)滿足一下特點：(1)能夠充分體現(xiàn)不同識別單元之間的差異；(2)對同一識別單</p><p>　　元在不同的發(fā)音方式下的差異不明顯，表現(xiàn)出很強的惰性； (3)對噪聲具有很強的魯</p><p><b>　　- 8 -</b></p><p><b>　　萬方數(shù)據(jù)</b></p><p>

120、;　　第二章 語音識別系統(tǒng)的基本概述</p><p>　　棒性；(4)特征的計算量盡可能小。在目前的語言識別系統(tǒng)中常用兩種特征參數(shù)，分</p><p>　　別是線性預(yù)測倒譜系數(shù)(Linear prediction cepstrum coefficient，LPCC)和梅爾頻率倒譜</p><p>　　系數(shù)(Mel frequency cepstrum coeffic

121、ient，MFCC)。</p><p>　　LPCC 是基于人的發(fā)聲機理，考慮了語音樣點之間的相關(guān)性，利用線性預(yù)測的方</p><p>　　法，由語音信號聲道系統(tǒng)函數(shù)的全極點模型導(dǎo)出的。LPCC 參數(shù)的優(yōu)點是計算量小，</p><p>　　易于實現(xiàn)，對元音有較好的描述能力，其缺點在于對輔音的描述能力較差，抗噪聲性</p><p>　　能較差。

122、MFCC 不同于 LPCC，它是語音識別中另一個常用的語音特征參量，其計算</p><p>　　是基于語音信號的濾波器組分析。語音信號濾波器組分析的理論依據(jù)是基于人對語音</p><p>　　感知的兩個基本事實。首先，人的大腦皮層對單個音調(diào)的感知強度近似與該音調(diào)頻率</p><p>　　的對數(shù)成正比。其次，對于復(fù)雜的語音信號，人耳不能有效的區(qū)分某一中心頻率附近<

123、;/p><p>　　一定帶寬內(nèi)語音信號的所有頻率分量。只有當這個語音信號的某一成分落在一定的帶</p><p>　　寬之外，才能被人耳有效的區(qū)分開。這個帶寬稱為臨界帶寬。Mel 頻率表達了一種常</p><p>　　用的從語音頻率到感知頻率的對應(yīng)關(guān)系，其表達式為：</p><p>　　Mel( f )?? 2595?? log10 (1?? f