語(yǔ)音識(shí)別中置信度技術(shù)的研究.pdf

1、語(yǔ)音識(shí)別技術(shù)也稱(chēng)自動(dòng)語(yǔ)音識(shí)別，是將人的說(shuō)話(huà)內(nèi)容轉(zhuǎn)換為機(jī)器可以理解的輸入的技術(shù)。語(yǔ)音識(shí)別技術(shù)在實(shí)踐應(yīng)用中遇到了很多挑戰(zhàn)，例如隨機(jī)噪聲，信道失真，說(shuō)話(huà)人變化等其他一些不匹配因素。針對(duì)這些因素，一方面可以通過(guò)專(zhuān)門(mén)的技術(shù)來(lái)提高語(yǔ)音識(shí)別系統(tǒng)在上述不利條件下的魯棒性。另一方面，考慮到語(yǔ)音識(shí)別系統(tǒng)必然包含著錯(cuò)誤的識(shí)別結(jié)果，通過(guò)置信度使得系統(tǒng)輸出可靠性比較高的結(jié)果，而對(duì)于不可靠的識(shí)別結(jié)果進(jìn)行其他的處理，使得系統(tǒng)的性能在一個(gè)可以接受的范圍內(nèi)。
　　

2、 當(dāng)前語(yǔ)音識(shí)別技術(shù)的主流是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則的隱馬爾可夫模型(HMM)。由V.N.Vapnik等人提出的支持向量機(jī)分類(lèi)技術(shù)(SVM)是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，它有很好的泛化能力，算法具有全局最優(yōu)性。本文主要研究語(yǔ)音識(shí)別中置信度估值方法及其應(yīng)用。本文主要針對(duì)在HMM框架的基礎(chǔ)上的置信度的研究主要包括：置信度信息源的選擇及綜合；信息綜合模型的選擇等。
　　 本文構(gòu)建的語(yǔ)音識(shí)別系統(tǒng)針對(duì)汽車(chē)環(huán)境語(yǔ)音識(shí)別，識(shí)別系統(tǒng)由識(shí)別(Recog

3、nition)和驗(yàn)證(Verification)兩個(gè)部分組成。識(shí)別部分，語(yǔ)音信號(hào)的特征通過(guò)HMM識(shí)別器，得到識(shí)別結(jié)果及相關(guān)的信息，作為SVM多分類(lèi)器的分類(lèi)對(duì)象，得到分類(lèi)結(jié)果。驗(yàn)證部分，SVM進(jìn)行二分類(lèi)，對(duì)分類(lèi)結(jié)果即識(shí)別結(jié)果信息作置信度評(píng)價(jià)。本文的創(chuàng)新點(diǎn)：結(jié)合多分類(lèi)SVM的HMM識(shí)別器，并將SVM的輸出作為置信信息的來(lái)源之一。同時(shí)，本文對(duì)SVM的多分類(lèi)、輸出概率化及大量數(shù)據(jù)訓(xùn)練問(wèn)題進(jìn)行了研究。SVM多分類(lèi)器與二分類(lèi)器在識(shí)別與驗(yàn)證兩個(gè)階段的