基于子带信息的鲁棒语音特征提取框架

本文提出一种鲁棒语音特征提取框架。通过使用一种基于子带能量分布的噪声估计方法 ,无需静音段 ,就可以估计出带噪语音的子带噪声 ,同时提出结合谱减和谱加权方法对特征进行处理 ,最终生成具有较高鲁棒性的特征实验证明 ,在语音识别系统中 ,这种特征可以有效提高语音识别的鲁棒性 ,在噪声较强 (信噪比 0dB到15dB)的情况下 ,识别率可以提高 2 0 %以上 ;并且 ,在干净语音的情况下又能保证识别率没有大的下降 ;同时 ,这种特征上的处理方法对各种噪声的适应能力都很强 。

基于相对自相关序列MFCC特征的丢失数据带噪语音识别方法

提出了一种基于相对自相关序列(Relative Autocorrelation Sequences,RAS)MFCC(Mel-Frequency Ceps-tral Coefficient)特征的丢失数据带噪语音识别新方法。首先分析了环境噪声对RAS-MFCC的影响,提出了一种基于掩盖原理的不可靠分量检测方法;然后采用丢失数据(Missing data,MD)技术来消除畸变分量对识别过程的影响,实验结果表明,本文所提的识别方法可以在不同类型和信噪比的噪声环境中有效提高RAS-MFCC的识别率,并且其性能优于典型的基于滤波器组(Filter bank)语音特征的丢失数据语音识别方法。