语音信号处理第九章

注：只包括考试内容

语音识别系统

识别系统的组成

语音识别一般分为两个步骤：
（1）“学习”或“训练”阶段——建立识别基本单元的声学模型以及进行文法分析的语言模型
（2）“识别”或“测试”阶段——采用语音分析的方法分析出这种识别方法所需要的语音特征参数，按照一定的准则和测度与系统模型进行比较。通过判决得出识别结果。

预处理和参数分析：

（1）话筒自适应和输入电平的设定。
（2）抗噪声。对于平稳噪声，使用谱相减降噪声技术。对于非平稳噪声，通过两个话筒将输入语音和噪声相互抵消。
（3）语音区间的端点检测。常用基于相关性的语音端点检测算法。

传统的双门限法在噪声较大时容易发生漏检或虚检。基于相关性的检测原理是：语音信号具有相关性，而背景噪声则无相关性。

（4）语音参数分析。常用10~15维的倒谱参数、MFCC进行识别。

语音识别部分

（1）语音模型。基元选的越小（音节比起短语就是小的基元），存储量越小，正确识别率也越小。
（2）连续语音的自动分段。
（3）语音识别方法。主流算法有基于参数模型的HMM，基于非参数模型的VQ，基于动态时间伸缩的DTW算法
（4）距离测度。常用的有欧氏距离、似然比测度，这些取决于识别所选用的语音特征参数
（5）在有限的硬件和软件资源下，计算量和存储量的削减
（6）拒识别处理
（7）识别结果的候补选择
（8）用户设定

DTW

原因：实际上不能简单地将输入参数序列和相应的参考模板直接做比较，因为语音信号具有相当大的随机性，时间长度不可能完全相同。在进行模板匹配时，这些时间长度的变化会影响测度的估计，从而使识别率降低，因此时间伸缩处理是必不可少的。
原理：使映射后每一帧与目标帧的距离都最小

方法：假设原本有N帧，目标有M帧。建立一个M×N的矩阵，每个点存放原本的第N帧和目标的第M帧的欧氏距离。于是，从（N,M）开始，不断寻找拥有满足条件的最短距离的前一格，累计下去，直到到达（1，1）。这样就使得最终得到的m=φ(n)映射函数能够使两者距离最短。前一个点只能是满足以下位置的点：

孤立词识别系统框图

理论上，只用这本书的技术来做孤立词识别系统的话，MFCC+HMM是识别率最好的