基于MFCC序列整齐度规则的英语数字识别模型研究

本文通过对Dynamic Time Warp(DTW)和Hidden Markov Model(HMM)存在问题的简要分析，提出了一种基于Mel Frequency Cepstrum Coefficient(MFCC)序列整齐度规则的英语数字识别模型。这种模型完整地表现了语音倒谱系数的时间演化特性，突出了这种特征的细节信息，降低了模型对语音背景环境的依赖程度。实验结果显示，改进后的模型的同源和非同源数字语音的错识率分别降低了45％和69％。实验数据说明，数字语音信息的不完整、以及部分音素相同是造成误判的主要原因。