论文摘要
随着语音识别技术日益成熟，语音识别系统开始步入实用，但是在实际应用中，由于噪声和信道的影响导致了训练和测试环境的不匹配，使系统的识别性能显著下降。为克服这些不利因素的影响，本文在特征参数提取、特征补偿、信道补偿等几个方面进行了研究，主要工作如下： 分析了特征参数的非线性失真引起语音识别系统性能下降的原因，介绍一种基于概率模型的特征补偿算法，利用干净语音、噪声和信道偏移的先验概率分布信息，由带噪语音得出干净语音的最小均方误差估计。在此基础上，引入倒谱的动态差分特征，采用期望最大化算法，估计先验概率的联合分布，利用联合高斯先验概率进行特征补偿，并推导了联合高斯混合模型的参数估计公式。噪声环境下连续语音识别实验结果表明，利用联合高斯先验概率进行特征补偿，可以有效提高识别率。例如：在5dB坦克噪声环境下，未使用补偿算法时，系统正识率为67.68％，采用基于概率模型的特征补偿算法后，系统正识率为72.44％，而应用本文提出的方法，系统正识率提高到85.23％。 信道的影响使特征参数产生线性偏移，从而影响了语音识别系统的性能。本文利用联合高斯先验概率分布对噪声和信道同时进行补偿，以减少训练环境和测试环境的信道不匹配。实验结果表明，在5dB坦克噪声环境下，采用噪声和信道的联合补偿算法，系统的正识率提高到86.47％。