基于特征分类直方图均衡的鲁棒性语音识别研究

【摘要】： 语音识别技术经过全球半个多世纪的研究,目前已经发展到了接近实用的阶段。在实验室环境下,大词汇量的朗读式连续发音宽带语音信号的平均识别率可以达到90%以上,但具体到实际应用中,由于说话人的变化、环境条件的变化以及噪声等因素的影响,会使识别系统的性能急剧下降。在理论上,噪声鲁棒性所面临的问题其实就是训练和识别环境之间的不匹配,而这种不匹配通常都会体现在特征参数概率分布的差异上。特征参数规整可以通过特征空间的参数变换映射在一定程度上减小训练和应用环境的不匹配程度,进而提升系统的识别性能。本文主要尝试采用改进的直方图均衡(HEQ)方法进行非特定人语音识别系统的鲁棒性研究,通过特征空间的特征参数直方图均衡处理改善识别系统抗噪声性能,提高识别系统在噪声环境下的鲁棒性。实验表明,本文提出的算法可以有效地提高低信噪比环境下非特定人语音识别系统的识别率。