基于支持向量机的抗噪语音识别.pdfVIP

第 40 卷 　第 1 期 太 原 理 工 大 学 学 报 Vol . 40 No . 1 2009 年 1 月 　　 　 J OU RN AL O F TA IYUAN UN IV ER SIT Y O F T EC HN OL O GY 　 　 J an . 2009 　　文章编号 (2009) 0 100 1104 基于支持向量机的抗噪语音识别 白　静 ,张雪英 (太原理工大学 信息工程学院 ,山西 太原 030024) 摘 　要 :阐述了支持向量机的分类机理 ,采用改进的 M FCC 语音特征参数 ,用基于不同核函数 ( ) 的支持向量机 SV M 作为语识别网络 ,对 SV M 多类分类问题采用“一对一”分类算法 ,实现了一个 孤立词非特定人中等词汇量的抗噪语音识别系统 。通过实验 ,得到了不同核函数下的识别结果 ;分 析了核参数和误差惩罚参数对 SV M 推广能力的影响 ,并将实验结果同基于 RB F 神经网络的识别 结果进行了比较 。 关键词 :支持向量机 ;核函数 ;多类分类算法 ;语音识别 中图分类号 : TN 9 12 　　　文献标识码 :A 　　语音识别技术的目的就是实现人机语音通信 , 平台上得到了不同信噪比和不同词汇量下的识别结 使计算机操作更加自然和方便 。传统的语音识别模 果 ,并与基于 RBF 神经网络的语音识别结果进行了 ( ) 型如隐马尔可夫 Hidden Mar kov Mo del s , HMM 比较 ,较好的识别结果显示出了 SVM 在基于有限样 ( ) 和人工神经网络 A rtificialN eural N et wor k ,AN N 本情况下进行语音识别的优势 。 都是基于统计学理论的 , 只有当训练样本集充分大 时 ,识别性能才会最好 。但实际问题中样本数 目往 1 　支持向量机分类机理 往有 限 , 因而实际应用 中难 以达到理想 的效果 。 在两类模式识别问题中, 给定 l 个训练样本集 ( d Vap nik 等人于 90 年代提出的支持向量机 Supp ort { ( x i , y i) ; x i ∈R ; y i ∈{ - 1 , 1} ; i = 1 , 2 , …l} , 则支 Vector Machine , SV M) 是建立在统计学习理论的 持向量机是指由下式确定的分类规则 V C (Vap nik Chervonenk s) 维理论和结构风险最小 l ( ) α ( ) ( ) f x = sgn i y i K x i , x + b . 1