一種用于抗噪語音識別的動態參數補償新方法

表1～表3列出的是在不同噪聲環境和信噪比條件下的各種算法的識別率。可以看出使用補償算法的識別率比失配情況下有很大的提高。在-5dB條件下，使用了DPCM的識別方法對各種噪聲語音的平均識別率比僅使用Log―Add PMC和Log―NormalPMC的方法有絕對的7．5％和6．6％增加，在0dB情況下絕對增加值分別為8％和7．3％。在信噪比5―10dB下，有含DPCM方法的識別率比其他兩種算法仍然有性能上的提高。

表4列出了更新每個狀態的4個高斯密度分布中的單個高斯密度分布時，靜態均值和方差以及動態均值和方差(注：Log―Add PMC算法只對均值補償)從倒譜域變化到對數譜域、在對數譜域進行模型補償、以及從對數譜域變回倒譜域所需的乘法、除法、指數運算以及對數運算的次數。其中N和M分別表示在倒譜域和對數譜域特征的維數。從表中可看出含有DPCM的算法復雜度比其原始算法的復雜度只有輕微的增加。
實驗證明了本文的DPCM算法可以處理在不同加性噪聲環境下的語音識別任務，并且能夠取得比較好的識別效果。性能的提升歸功于相對應比較準確的動態模型補償方法的應用。通過這種方法的使用，含DPCM算法的識別率比目前的PMC算法有較明顯的提升。

5 結論
文中提出了一種新的動態特征補償方法，并給出了反映加性噪聲的語音動態特征失配函數，以及在此基礎上依據合理的假設，推導出的一系列動態模型參數補償DPCM的算法公式。并且DPCM算法可以與任意的靜態模型補償算法結合以提高原始算法的識別率。實驗結果表明在不同的噪聲環境下結合DPCM的PMC算法可以給出比原始PMC算法具有更好的識別率，在低信噪比條件下提升效果更為明顯。此外結合DPCM的模型補償算法的復雜度與原補償算法的復雜度基本相當，只有輕微的增加。可見DPCM算法是一種非常有效的動態特征補償算法。