基于概率模型和倒谱差分的特征补偿算法

在概率模型中,给出了引入倒谱预测值的动态相关性来进行特征补偿的方法。该方法采用期望最大化(EM)算法来估计联合分布参数,基于语音和噪声的先验概率密度,在倒谱域中对语音特征参数进行最小均方误差预测(MMSE),以提高语音识别精度。不同噪声环境和不同信噪比下的实验结果表明,该方法能有效地提高噪声环境下的中文连续语音识别的正确率。

一种基于概率模型和倒谱差分的特征补偿算法

本文详细给出了概率模型中引入倒谱预测值的动态相关性来进行特征补偿的方法.该方法采用期望最大化(EM)算法来估计联合分布参数,基于语音和噪声的先验概率密度、在倒谱域对语音特征参数进行最小均方误差预测(MMSE),以提高语音识别精度.不同噪声环境和不同信噪比下的实验结果表明,本文方法能有效提高噪声环境下的中文连续语音识别的正确率.

一种基于概率模型的特征补偿算法

本文提出了一种基于概率模型的特征补偿算法。该方法基于语音和噪声的先验概率密度,在倒谱域对语音特征参数进行最小均方误差预测(MMSE),提高识别精度。实验结果表明,本文方法能有效提高噪声环境下的中文连续语音识别的正确率。

噪声环境下语音能量的MMSE估计及其在语音识别中的应用

语音识别中,语音信号能量是一个重要的识别特征参数.在噪声环境下,语音信号能量产生的畸变是导致识别率下降的原因之一.本文依据RASTA-PLP分析的增益参数和最小均方误差估计准则,给出了带噪语音能量和干净语音信号能量的线性映射关系.在中文连续语音识别中的应用表明,利用该映射关系得到的干净语音能量估计,可使信噪比为5dB的白噪声环境下的识别正确率提高21.36%.