资料下载
×
噪声环境下的语音识别性能研究
消耗积分:5 |
格式:rar |
大小:244 |
2009-07-10
分享资料个
在变强噪音的情况下，语音识别的正确率会迅速下降；当噪声较强并且强度不断发生变化的时候，端点检测是一个难题；提出了两种方法保证噪声较强而且强度不断发生改变情况下的语音识别率：基于LPC距离的端点检测算法和白适应的抗噪语音特征参数提取算法；经过实验证明，采用了这两种不同于传统算法的新方法后，变强噪音情况下的语音识别率得到了明显的改善。
安静情况下性能良好的识别器，在噪声情况下的性能往往不能尽如人意。很多学者研究了噪声或者强噪声情况下的语音识别性能改进” ，但是对强噪音情况下的端点检测一直没有很好的办法，当噪音很强时，例如信噪比小于0dB时，端点检测就变得比较困难。虽然也有一些学者提出了这种强噪音情况下的端点检测方法，但是在实际的语音识别工作环境中，比如在交通道路旁、轧钢厂、展览会的展厅、坦克车中，噪音不仅是存在的，而且其强度也是不断变化的，变化范围在特定应用场合下会超过60dB，信噪比变化如此大，这就对端点检测的鲁棒性和精度提出了很高的要求，而国内外对这方面的研究还很少。
对于噪声情况下的语音识别，一般采取了语音增强等途径来消除噪声，这样做的后果一方面是在消除噪声的情况下，一些对于语音识别有用的信号也被消除了H ；另一方面这样还会给处理后的语音信号中带来音乐噪声，增加了处理的难度 。我们为了提高识别的性能，势必又要解决这两个难题，而这样就大大增加了语音识别的复杂度，从工程上讲不利于语音识别的市场化。
在语音识别中，有一半左右的错误率是由于端点检测引起的。为了解决强噪音并且变噪音情况下的端点检测性能，采用了过零率一短时能量和LPC距离相结合的新算法来保证严峻条件下端点检测的鲁棒性和检测精度。为了避免语音增强方法的缺点，采用了自适应的抗噪语音参数提取算法，可以根据噪声强度的不同，自动的选取特征参数。这两种方法的综合使用，显著的改善了变强噪音情况下的语音识别性能。
安静情况下性能良好的识别器，在噪声情况下的性能往往不能尽如人意。很多学者研究了噪声或者强噪声情况下的语音识别性能改进” ，但是对强噪音情况下的端点检测一直没有很好的办法，当噪音很强时，例如信噪比小于0dB时，端点检测就变得比较困难。虽然也有一些学者提出了这种强噪音情况下的端点检测方法，但是在实际的语音识别工作环境中，比如在交通道路旁、轧钢厂、展览会的展厅、坦克车中，噪音不仅是存在的，而且其强度也是不断变化的，变化范围在特定应用场合下会超过60dB，信噪比变化如此大，这就对端点检测的鲁棒性和精度提出了很高的要求，而国内外对这方面的研究还很少。
对于噪声情况下的语音识别，一般采取了语音增强等途径来消除噪声，这样做的后果一方面是在消除噪声的情况下，一些对于语音识别有用的信号也被消除了H ；另一方面这样还会给处理后的语音信号中带来音乐噪声，增加了处理的难度 。我们为了提高识别的性能，势必又要解决这两个难题，而这样就大大增加了语音识别的复杂度，从工程上讲不利于语音识别的市场化。
在语音识别中，有一半左右的错误率是由于端点检测引起的。为了解决强噪音并且变噪音情况下的端点检测性能，采用了过零率一短时能量和LPC距离相结合的新算法来保证严峻条件下端点检测的鲁棒性和检测精度。为了避免语音增强方法的缺点，采用了自适应的抗噪语音参数提取算法，可以根据噪声强度的不同，自动的选取特征参数。这两种方法的综合使用，显著的改善了变强噪音情况下的语音识别性能。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
