基于ICA的MFCC特征參數提取研究及DSP實現(xiàn).pdf

1、現(xiàn)階段語音識別系統(tǒng)在實驗室環(huán)境下效果優(yōu)良，但在實際噪聲環(huán)境中表現(xiàn)不佳，識別率和魯棒性顯著下降。語音特征參數提取在語音識別研究中至關重要，對語音識別系統(tǒng)的魯棒性有重要影響；另一方面，隨著移動便攜設備的廣泛應用，在這些嵌入式設備上配置高效的語音識別功能成為迫切需求。
　　本文以提高嵌入式語音識別系統(tǒng)魯棒性為目的，采用一種基于數據驅動的特征變換方法--獨立成分分析(Independent Component Analysis，ICA)，

2、對常用的梅爾頻率倒譜系數(Mel Frequency Cepstral Coefficients，MFCC)特征進行改進，并在DSP(Digital Signal Processor)平臺上構建了一個實時分布式語音識別前端。
　　MFCC特征性能較好，計算復雜度低，但其中的離散余弦變換(Discrete CosineTransformation，DCT)和實際數據無關，且冗余性較高，導致噪聲環(huán)境下語音識別系統(tǒng)魯棒性較差。針對該缺點

3、，本文采用基于數據驅動的ICA方法替換DCT過程。在ICA中采用對稱正交的方法以減少累積誤差，且能并行計算而提高估計速度，同時確定ICA中的最優(yōu)非線性函數及其系數。在多種噪聲和信噪比下的實驗顯示，提出的改進方法比MFCC方法提高了6.17%的平均語音識別率，在低信噪比下效果更佳，較好地提高了語音識別系統(tǒng)的魯棒性。
　　本文基于提出的改進MFCC方法在DSP平臺上構建了一個分布式語音識別前端，用于實時提取改進的特征參數。ICA是一種