專利名稱：基于稀疏分解與重構(gòu)的魯棒語音特征提取方法
技術(shù)領(lǐng)域：
本發(fā)明涉及稀疏分解與重構(gòu)的語音特征提取方法。
背景技術(shù)：
讓機器能像人一樣感知和理解語音一直是人類的夢想，語音識別為這一夢想帶來了希望。經(jīng)過幾十年發(fā)展，語音識別技術(shù)取得了巨大成就，從最初的孤立詞識別到如今的大詞表連續(xù)語音識別(Large Vocabulary Continue Speech Recognition，LVCSR)，語音識別技術(shù)已經(jīng)邁出實驗室并逐步走向應(yīng)用。在理想環(huán)境下，目前的小詞表以及中等詞表識別系統(tǒng)的識別率能達(dá)到99%以上，LVCSR系統(tǒng)識別率也能超過95%，但在噪聲情況下，識別率將急劇下降。數(shù)十年來，研究者們嘗試用各種方法來增強語音識別系統(tǒng)的魯棒性，雖取得了一定進展，但目前的語音識別系統(tǒng)仍然難以適應(yīng)復(fù)雜的應(yīng)用環(huán)境。噪聲在現(xiàn)實應(yīng)用中廣泛存在，這些種噪聲可能是加性的，可能是卷積性的，也可能是兩者的混合。一般認(rèn)為，外部環(huán)境噪聲呈加性，信道影響呈卷積性。特別地，當(dāng)訓(xùn)練環(huán)境沒有噪聲而測試環(huán)境存在噪聲，或者訓(xùn)練環(huán)境和測試環(huán)境存在不同的噪聲，將會引起環(huán)境失配。環(huán)境失配必然導(dǎo)致語音特征參數(shù)的分布存在偏差進而影響系統(tǒng)性能。為了增強語音識別系統(tǒng)的環(huán)境魯棒性，研究者們提出了大量的方法。這些方法大致可分為兩類，即特征增強和模型補償。特征增強試圖從畸變語音中提取魯棒特征。這類方法或先對信號去噪然后提取特征，例如譜減，維納濾波，卡爾曼濾波，子空間法等，或直接補償特征，例如倒譜均值方差規(guī)正(C印stral Mean Normalization，CMN)，特征彎折，短時高斯化，相關(guān)譜濾波(RelAtive SpecTrAl，RASTA)，非線性濾波等。模型補償則試圖修改聲學(xué)模型來適應(yīng)環(huán)境，典型的有并行混合模型(Parallel Model Combination，PMC)，泰勒級數(shù)展開(Vector Taylor Series,VTS)以及各種自適應(yīng)方法如最大似然線性回歸(Maximum Likelihood Linear Regression，MLLR)，最大后驗概率(Maxi-mum A-Posteriori，MAP)等。雖然研究者們提出了各種方法試圖解決語音識別系統(tǒng)的噪聲魯棒性問題，但其效果仍然無法滿足現(xiàn)實應(yīng)用需求。一方面，應(yīng)用環(huán)境復(fù)雜多變，存在著各種難以預(yù)測的時變噪聲；另一方面，目前的方法普遍基于噪聲的平穩(wěn)性假設(shè)，且需要對噪聲建模以實現(xiàn)噪聲譜的估計。這決定了目前的方法在噪聲平穩(wěn)時能取得較好的效果，在復(fù)雜的時變噪聲情況下無法取得理想的效果。近年來，隨著稀疏分解與重構(gòu)理論的成熟，信號的稀疏表示在信號處理各個領(lǐng)域展示出了巨大的潛力。信號滿足稀疏性是指信號被分解在某個原子字典上時，僅有少量原子的系數(shù)不為零。現(xiàn)實中的大量信號，諸如圖像，語音等都滿足稀疏性或近似稀疏。另一方面，從人的認(rèn)知角度上看，大量研究表明，人的感知神經(jīng)系統(tǒng)總是從海量的神經(jīng)元中，同時激活極少一部分以實現(xiàn)對外部刺激的編碼。也就是說，人在感知外部刺激獲取信息時，也遵從稀疏性原則。信號的稀疏表示在信號壓縮、分析、去噪等各個方面均表現(xiàn)出了巨大的潛力。信號的稀疏分解與重構(gòu)存在的問題CN 102290047 A
說明書
2/8頁1、原子字典的選取目前的各種方法大多需要反復(fù)迭代，具有較高的時間復(fù)雜度， 而且難以滿足信號投影后稀疏；2、信號的稀疏分解目前的稀疏分解方法滿足的準(zhǔn)則有稀疏性和重構(gòu)誤差最小準(zhǔn)則，考慮語音信號和噪聲信號的時間相關(guān)性的較少；3、信號的重構(gòu)目前的方法大多數(shù)等概率地考慮原子的貢獻，忽略了原子的先驗概率以及各個原子相互轉(zhuǎn)換的概率。

發(fā)明內(nèi)容
本發(fā)明的目的是為了解決現(xiàn)有1、原子字典的選取具有較高的時間復(fù)雜度，而且難以滿足信號投影后稀疏；2、信號的稀疏分解考慮語音信號和噪聲信號的時間相關(guān)性的較少；3、信號的重構(gòu)忽略了原子的先驗概率以及各個原子相互轉(zhuǎn)換的概率的問題，提供一種基于稀疏分解與重構(gòu)的魯棒語音特征提取方法。基于稀疏分解與重構(gòu)的魯棒語音特征提取方法，它包括具體步驟如下步驟一、預(yù)處理，將讀入的語音進行分幀、加窗，使語音從時間序列轉(zhuǎn)變?yōu)閹蛄校?步驟二、作離散傅立葉變換，并求功率譜
權(quán)利要求
1.基于稀疏分解與重構(gòu)的魯棒語音特征提取方法，其特征是它包括具體步驟如下步驟一、預(yù)處理，將讀入的語音進行分幀、加窗，使語音從時間序列轉(zhuǎn)變?yōu)閹蛄?；步驟二、作離散傅立葉變換，并求功率譜:
2.根據(jù)權(quán)利要求1所述基于稀疏分解與重構(gòu)的魯棒語音特征提取方法，其特征在于步驟一的輸入的是語音的離散時間信號，預(yù)處理時，采用漢明窗
3.根據(jù)權(quán)利要求2所述基于稀疏分解與重構(gòu)的魯棒語音特征提取方法，其特征在于步驟三的具體過程是在滿足重構(gòu)訓(xùn)練樣本誤差最小的情況下從訓(xùn)練語音幀中選取具有代表性的幀作為原子；對于噪聲原子，考慮動態(tài)更新，以追蹤時變噪聲的影響，提出算法I 算法I輸入訓(xùn)練語音巾貞/，/2,.../r(功率譜)； 輸出原子字典Φ(具有代表性樣本集合> 初始化Φ = [ ], threshold = 1.2 for 每幀/J = I,...,Γ
4.根據(jù)權(quán)利要求3所述基于稀疏分解與重構(gòu)的魯棒語音特征提取方法，其特征在于步驟四的具體過程是對混噪語音幀的稀疏分解，就是混噪語音在冗余字典上的稀疏表示； 語音分量被表示在語音原子上，噪聲分量被表示在噪聲原子上；在重構(gòu)時，將所有噪聲分量上的系數(shù)置為0，僅保留語音聲量上的非零系數(shù)；推導(dǎo)這一原理假定有語音原子0X=
和噪聲原子Φν=
組成原子字典Φ =[Φ3Φν]；混噪語音1 = s+v，其中s為清晰語音，ν為噪聲；混噪語音在冗余字典上的分解
5.根據(jù)權(quán)利要求3所述基于稀疏分解與重構(gòu)的魯棒語音特征提取方法，其特征在于步驟五的具體過程是對于步驟三訓(xùn)練的原子字典，統(tǒng)計各個原子被使用到的次數(shù)，累加起來除以語音幀總數(shù)作為對應(yīng)原子的先驗概率；對原子之間的轉(zhuǎn)移概率也做相同的統(tǒng)計，建立原子轉(zhuǎn)移矩陣；重構(gòu)時利用貝葉斯公式，在滿足最大后驗概率的準(zhǔn)則下重構(gòu)清晰語音幀的頻譜。
全文摘要
基于稀疏分解與重構(gòu)的魯棒語音特征提取方法，涉及稀疏分解與重構(gòu)的語音特征提取方法，解決了1、原子字典的選取具有較高的時間復(fù)雜度，而且難以滿足信號投影后稀疏；2、信號的稀疏分解考慮語音信號和噪聲信號的時間相關(guān)性的較少；3、信號的重構(gòu)忽略了原子的先驗概率以及各個原子相互轉(zhuǎn)換的概率的問題，它包括具體步驟如下步驟一、預(yù)處理；步驟二、作離散傅立葉變換，并求功率譜；步驟三、原子字典訓(xùn)練，保存；步驟四、稀疏分解；步驟五、語音譜重構(gòu)；步驟六、加梅爾三角濾波器并取對數(shù)；步驟七、得到梅爾倒譜系數(shù)與梅爾倒譜稀疏拼接，形成魯棒特征。用于多媒體信息處理領(lǐng)域。
文檔編號G10L15/02GK102290047SQ201110283908
公開日2011年12月21日 申請日期2011年9月22日 優(yōu)先權(quán)日2011年9月22日
發(fā)明者何勇軍, 韓紀(jì)慶 申請人:哈爾濱工業(yè)大學(xué)