一种改进的线性区分分析方法及其在汉语数码语音识别上的应用.pdf

一种改进的线性区分分析方法及其在汉语数码语音识别上的应用.pdf

ID:54369574

大小:265.01 KB

页数:7页

时间:2020-04-30

一种改进的线性区分分析方法及其在汉语数码语音识别上的应用.pdf_第1页
一种改进的线性区分分析方法及其在汉语数码语音识别上的应用.pdf_第2页
一种改进的线性区分分析方法及其在汉语数码语音识别上的应用.pdf_第3页
一种改进的线性区分分析方法及其在汉语数码语音识别上的应用.pdf_第4页
一种改进的线性区分分析方法及其在汉语数码语音识别上的应用.pdf_第5页
资源描述:

《一种改进的线性区分分析方法及其在汉语数码语音识别上的应用.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、第7期电子学报Voi.30No.72002年7月ACTAELECTRONICASINICAJuiy2002一种改进的线性区分分析方法及其在汉语数码语音识别上的应用史媛媛,刘加,刘润生(清华大学电子工程系,北京100086)摘要:尽管汉语数码语音识别只涉及十个数字,但由于不同数字的发音存在相同或相似的声母或韵母,造成汉语数码语音之间的混淆性很大.采用通常的隐含马尔科夫模型(HMM)作为汉语数码语音识别模型难以得到很高的识别率.为了解决汉语数码之间的混淆问题,提高汉语数码语音识别性能,本文在隐含马尔科夫模型的状态层次上采用线

2、性区分分析方法,将不同状态之间容易混淆的特征样本构成混淆模式类,针对混淆模式类进行线性区分分析.通过线性区分变换,在变换特征空间中仅保留那些能够有效区分该混淆类别的特征参数.这种基于状态的线性区分分析有效地提高了模型对混淆数码的区分能力.实验表明即使采用状态数很少的粗糙识别模型,也能很大幅度提高模型的识别性能;经过线性区分变换优化后的汉语数码识别模型,孤立汉语数码语音识别率可以达到99.32%.关键词:线性区分分析(LDA);汉语数码语音识别;区分变换中图分类号:TN912文献标识码:A文章编号:0372-2112(20

3、02)07-0959-05AnlmprovedLinearDiscriminantAnalysisforMandarinDigitSpeechRecognitionSHIYuan-yuan,LIUJia,LIURun-sheng(DepartmentofElectronicEngineering,TsinghuaUniuersity,Beijing100084,China)Abstract:ItisfoundthatthephoneticsimiiaritiesintheMandarindigitsarethemainr

4、easonsforthedifficuityofMandarindigitrecognition.Inthispaper,animprovediineardiscriminantanaiysis(LDA)basedonthestatesofhiddenMarkovmodeis(HMM)ispresented.Therecognitionmodeidiscriminabiiityisgreatiyimprovedbygatheringtheconfusiondatatothegivenstatesandthenus-ing

5、thestate-specificdiscriminativetransformation.Theexperimentsshowthatitincreasestherecognitionrategreatiyevenifthesimpiemodeiswithinsufficientstatesareused.TherecognitionaccuracyofisoiatedMandarindigitsisover99.32%afterusingoptimaiiineardiscriminativetransformatio

6、n.Keywords:LDA;Mandarindigitspeechrecognition;discriminativetransformation!引言本文将线性区分分析用于汉语数码语音识别系统,改进“数码”是人们日常交互与信息查询中最重要的输入信息汉语数码语音识模型的鉴别能力.线性区分分析采用线性变之一.数码语音识别无论在大词表语音识别系统,还是在小词换矩阵将原始的n维特征矢量线性变换成m维(m

7、数码语音发音短,并且存在易混语音集合,因此汉语数线性相关性;从变换后的特征参数中提取出最有效的识别特码语音的识别比英文数码语音要困难.如何提高汉语数码音征分量,去掉没有鉴别能力的特征分量,提高特征的鉴别性识别性能一直是语音识别中研究热点之一.进行语音识别特能;变换空间中的类间散度对类内散度的比率增加,提高了类别的可分离性[1]征参数选择和变换,从中挑选出区分能力较强的特征分量,去.此外,特征矢量的维数降低,有利于减少对掉冗余的特征分量,是提高识别模型的区分性能的重要方法训练语音数据的要求,使识别模型得到充分的训练,有利于

8、提之一.线性区分分析(LDA)方法是其中一种提高参数区分能高识别系统的稳健性.[2,3],随后相当力的有效方法,也是模式识别理论提取鉴别特性的重要理论Hunt首先将线性区分分析用于语音识别之一.多的语音识别系统使用了线性区分分析,并且不同系统的识收稿日期:2000-11-21;修回日期:2001-09-28基金项目:

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。