基于PCA-MFCC支持向量机快速语音识别.pdfVIP

No．4Feb．2013 第13卷第4期2013年2月 科学技术与工程 V01．13 Science and ⑥2013Sci．Tech．Engrg． 1671—1815(2013)04—1034—04 TechnologyEngineering 庞陟儒1 张雪英1 刘晓峰2 (太原理工大学信息工程学院1和数学学院2，太原030024) 摘要针对大规模数据集下支持向量机(SVM)训练耗时长的缺陷，以及支持向量机中核函数维数过高，采用了主成分分析 法对语音特征降维，减少了核函数的阶数，降低计算复杂度，进而缩短训练模型所用时间。实验证明，该方法不仅能够缩短训 练时间，而且能通过控制贡献度来保持识别率不下降。 关键词支持向量机 reel倒谱频率系数 主成分分析 语音识别 中图法分类号TN912．34 文献标志码A 语音识别技术是人机交互的基础，随着计算机 {+1，一1}的两类之一。训练SVM就是要在特征 科学技术的发展，语音识别技术取得显著进步并逐 空间中，寻找能将两类样本正确分开的最优分类超 渐开始从实验室走向市场。支持向量机¨’2o作为一 平面WX+b=0，并使得离平面最近的每类点(称为 Vector)与该平面的距离达到最大 种新型的模式识别方法，是建立在统计学习理论的 支持向量，Support VC维理论和结构风险最小原理基础上的，已经成 值。样本到超平面的距离可定义为1川Wl|。当 功的运用到语音识别中，但是随着语音识别系统规 ||W||最小时，分类间隔最大，此时的分离超平面即 模的增加，支持向量机算法复杂度随着所求解二次 为最优分类面。最大化分类间隔实际上就是对泛 化能力的控制心]，统计学理论表明最优分类面具有 规划问题QP(quadraticprogramming)规模的增大呈 指数增长，并且计算量大、训练速度慢，其不适宜大 最好的泛化能力。 当训练样本集为线性近似可分时，需引入非负 规模数据问题的应用，已成为影响支持向量机发展 的主要因素。 松弛变量fi≥0，i=1，…，f，上述最优分类超平面 的求解问题变为： 在语音识别中，提取到的语音特征维数比较 l 1 高，对大词汇量的语音使用支持向量机进行训练 P寺1|训nc酗 (1) 时，训练时间比较长，实时性较差，不便于应用。针 o s．¨t Y。(W·X。+b)≥1一f。 对所用语音特征维数高的缺陷，在识别前对语音特 式(1)中，C称为惩罚参数且C0，C越大表示对 征进行预处理，将语音特征维数降低，以减少训练 错误分类的惩罚越大。引入Lagrange乘子法可以 所需时间。 将上述最优化问题转化为一个二次规划对偶问 1支持向量机 题，即