基于HMM/SVM的抗噪语音特征提取及优化

摘要

为了提高语音识别的鲁棒性,提出一种新的特征组合方法.方法基于F比对梅尔频率倒谱系数(MFCC)进行加权优化,同时将不同特征组合输入到语音隐马尔科夫模型(HMM)进行训练,得到具有抗噪性的最佳组合,并采用主成分分析(PCA)进行降维,增加支持向量机(SVM)分类器作为后处理器.实验表明,改进的MFCC、短时平均能量和Teager能量算子组合参数识别效果最优,识别率达到90.48％.PCA降维后识别率降低了0.4％,提升了计算速度.增加后处理器,系统识别率达到95.25％,提高了系统的识别效率和分类决策力,相对于常规识别方法,准确率有所提高.