论文部分内容阅读
语音识别是一种人机交互的手段,在如今电子计算机如此普遍的时代,如何让计算机可以智能化接受人类口头指令是一件十分有挑战性并有意义的课题。语音识别跟其他机器学习问题一样,特征的选取是起始的也是最重要的一环,一个具有区分性和稳定性的特征是一个分类问题较好识别率的前提。为得到适合语音信号的特征本文做了以下工作:1.研究了基于多语音参数的频率弯折,并提出了一种基于LDA的频率弯折因子估计算法。影响语音识别准确率的最大问题在于非特定人的特征不匹配问题,针对非特定人差异性问题以往都是以某一单一声学因子(声道、声门、基频)来描述不同人之间的差异性并进行频率弯折,但是由于发声过程是一个复杂的生理过程,它都到多个因素的共同影响,因此单一语音参数的假设也就不可避免的会出现较大误差。本文分别在量的增加和质的改进两个方向上对原有方法进行改进,首先通过直接使用多个语音参数进行多段线性频率弯折方法从数量上进行改进,然后通过对多个语音参数使用LDA进行降维的方法从本质上描述出不同人差异指标,并以此进行频率弯折,实验证明这种方法在消除非特定人差异性方面具有较好的效果。2.提出了一种基于有监督的改进SLPP(监督局部保持投影)算法。由于语言信号分布的时序性,增加基元状态之间的区分性是十分必要的,传统的线性特征变换无法很好的区分相同基元的不同状态之间的非线性流形结构,而非线性变换又无法满足语音识别实时性(拓展性)的要求,因此本文通过对一种通过线性变换来逼近非线性流形分布的半非线性算法进行改进使之更适合语音信号的分布特点,并且增加了监督信息对LPP算法进行改进,从而解决语音特征高维分布非线性和语音基元间的区分度的问题以及纯非线性算法的不可扩展问题。3.研究了基于CNN的语音特征提取算法通过卷积神经网络(CNN)来解决语音信号特征的非特定人和噪声所导致的类内离散度和类间区分度问题。实验中的特征提取部分采用卷积神经网络,尝试结合混合高斯-隐马尔科夫模型并取得了较好的识别效果。