基于支持向量机语音识别的研究.pdfVIP

基于支持向量机的语音识别研究 2009年 文覃绢号：1003-5850(2009)03—0012-03 基于支持向量机的语音识别研究 Researchof basedon VectorMachine Support SpeechRecognition 鄣月玲张雪英 白 静 (太原理工大学信息工程学院 太原030024) 【摘 要】为了得到较好的语音识别效果，构建了基于线性核函数支持向量机的非特定人孤立词语音识别系统， 取得了较高的识别率，并将该实验结果同基于HMM的识别结果进行了比较，显示出了支持向量机在基于有限 样本情况下进行语音识别的优势。 【关键词】支持向量机，线性核，语音识别 中图分类号：TN912 文献标识码：A ABSTRACTInorder betterresultsof constructa word tOget speechrecognition，wenon—specific，isolatedspeech basedonlinearkernelfunction vector alotof system supportmachine．Throughdoing experiments，wegethigher theresultswiththatof basedon findthatthe vectormachinehas on speech HMM，we support comparing recognition advantage whenthe dataissmall． speechrecognitiontraining KEYWORDSvector supportmachine，linearkernel，speechrecognition 语音识别是语音信号处理的重要研究方向，是模 1支持向量机 式识别领域的重要组成部分。目前语音识别的方法主 要有隐马尔可夫模型方法和人工神经网络方法。隐马 1．1线性支持向量机 尔可夫模型方法有很强的动态时间序列建模能力[1]， 计算量小，但是它的理论基础是传统统计学，在用它进 ∈Rd 行语音识别时有两个方面的局限性Ez]。一方面，需要知 量z。属于两类中的哪一类。Z为样本个数，d为输入维 道样本的参数化分布形式，过多地依赖了先验知识，另 数。 一方面，传统统计学是样本数目趋于无穷大时的渐近 若存在分类面训·．27+b=0使得 理论，而在实际问题中，样本数量往往是有限的。人工 Yr(硼·．Ti+6)≥1，ViE{1，2，…，Z}(1) 神经网络是一种经验非线性方法，这种方法利用已知 则称训练集是线性可分的‘3‘。 样本建立非线性模型，有很强的模式分类能力，但是它 分类面硼·x+b=O的分类间隔为 缺乏坚实的数学理论，需要借助于经验，得到的模型通 d(硼，6)：min 常是局部最优，而非全局最优，而且还具有网络结构难 W—1*—xTi-qt一-b—maxw—_T—xri-3t一-b：