一种语音识别方法.pdf

本发明提供一种语音识别方法，该方法包括特征提取、特征优化和利用分类器进行识别三个步骤，所述特征提取是通过采用多尺度连续小波变换对语音进行时频分析，同时对沿尺度轴方向的小波系数进行高斯混合建模得到特征参数GCWT，然后对嗓音进行识别；所述特征优化是采用动态加权局部线性嵌入方法DWLLE对特征参数GCWT进行降维处理。本发明提出的特征参数GCWT优于传统的特征参数MFCC，动态加权局部线性嵌入方法DWLLE降维效果优于LLE。

1.一种语音识别方法，该方法包括特征提取、特征优化和利用分类器进行识别三个步
骤，其特征在于：所述特征提取是通过采用多尺度连续小波变换对语音进行时频分
析，同时对沿尺度轴方向的小波系数进行高斯混合建模得到特征参数GCWT，然后
对嗓音进行识别；所述特征优化是采用动态加权局部线性嵌入方法DWLLE对特征
参数GCWT进行降维处理。
2.根据权利要求1所述的一种语音识别方法，其特征在于：所述特征参数
GCWT＝(π1,u1,Σ1,…,πM,uM,ΣM)；
其中,π1,u1,Σ1,…,πM,uM,ΣM分别为M个高斯混合模型的权重、期望、方差。
3.根据权利要求1所述的一种语音识别方法，其特征在于：所述动态加权局部线性嵌
入方法DWLLE的具体步骤为：
(1)利用欧氏距离寻找每个样本点的k(k＜n,n为样本点数)个近邻点；
(2)计算样本点和近邻点之间的径向基核函数：
$u_{\mathrm{ij}}=k(x_j,x_j)=\mathrm{\Φ}\left(x_i\right)\·\mathrm{\Φ}\left(x_j\right)=\exp \left(\frac{\left|\right|x_i-x_j{\left|\right|}^2}{{\mathrm{\σ}}^2}\right);$
其中，uij是近邻点xi、xj的核函数k(xi,xj)的函数值，Φ(xi)、Φ(xj)分别是样本点
xi、xj的高维空间映射值，||xi-xj||2是样本点xi、xj的欧氏距离，σ为函数的宽度参数；
令θ为加权阈值，当uij≥θ时，不对近邻点xj做任何处理，当uij＜θ时，对样本点
与近邻点重构之间的误差以uij做加权处理；
(3)由样本点的近邻点计算出该样本点的局部重建权值矩阵：
$\begin{array}{c}\min \mathrm{\ϵ}\left(W\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}{(x_i-w_{\mathrm{ij}}{x}_j)|}^2\\ x.t.\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}=1\end{array}$
其中，W是局部重构权值wij矩阵，uij是动态加权权值，wij是样本点xi、xj之间的
权值，代表局部信息。
(4)根据局部重建权值矩阵和其近邻点计算出样本集的低维嵌入。
4.根据权利要求1所述的一种语音识别方法，其特征在于：所述特征参数GCWT基
于小波变换。
5.根据权利要求1所述的一种语音识别方法，其特征在于：所述特征参数GCWT是
针对小波系数呈现稀疏分布进行改进的特征提取。

一种语音识别方法

技术领域

本发明属于语音识别技术领域，尤其涉及一种语音识别方法。

背景技术

语音的识别过程主要包括特征提取、特征优化和利用分类器进行识别。在特征提取
方面，语音识别系统的性能与识别器所用的特征参数密切相关，常用的特征参数主要有
线谱对LSP、相对谱(RASTA)、线性预测倒谱系数LPCC、Mel倒谱MFCC、能量、
Fourier倒谱以及相应的动态特征参数等。

小波分析能随信号变化快慢自动调整时间分辨力和频率分辨力。小波系数中少量系
数包含信号的绝大部分能量，大部分系数在零附近，对信号能量贡献很小，具有重拖尾
现象，因此使用能量/熵特征是不科学的。对于连续小波变换来说，信号小波变换系数
模的平方反映了信号在时间-尺度(频率)平面的能量密度分布，对语音多尺度连续小
波变换系数采用高斯混合模型(Gaussian Mixture Model,GMM)建模分析，提出新的特
征参数GCWT能够有效地区分语音种类。

在特征优化方面，传统的线性降维方法(如主成分分析法(PCA))在把高维数据映射
到低维空间时，通常不能保留原高维数据的内在非线性结构和特征。基于流形学习的非
线性降维方法局部线性嵌入(Locally linear embedding，LLE)进行降维时，对稀疏采样
和噪音污染的数据比较敏感。本发明提出了动态加权局部线性嵌入DWLLE(Dynamic
weighted locally linear embedding)方法，对样本点近邻点采用核函数动态加权，弱化稀
疏采样对降维造成的影响。

发明内容

解决的技术问题：针对现有的语音识别方法中特征提取方面具有重拖尾现象以及特
征优化方面不能保留原高维数据的内在非线性结构和特征的缺点，本发明提供一种语音
识别方法，该方法提出的特征参数GCWT优于传统的特征参数MFCC，改进的动态加
权局部线性嵌入方法DWLLE的降维效果优于传统的LLE方法。

技术方案：一种语音识别方法包括特征提取、特征优化和利用分类器进行识别三个
步骤，本发明主要针对特征提取和特征优化进行研究。在特征提取方面，通过采用多尺
度连续小波变换对语音进行时频分析，同时对沿尺度轴方向的小波系数进行高斯混合建
模得到统计学参数GCWT，对嗓音进行识别。在特征优化方面，为了降低特征参数的
冗余，对特征参数进行降维处理，针对局部线性嵌入降维算法LLE对稀疏数据的敏感
性，提出了改进的动态加权局部线性嵌入降维算法DWLLE。

本发明中的语音识别系统具体设计主要包括：

(1)特征提取阶段，通过采用多尺度连续小波变换对语音进行时频分析，对沿尺
度轴方向的小波系数进行高斯混合建模得到特征参数：GCWT＝(π1,u1,Σ1,…,πM,uM,ΣM)

其中，π1,u1,Σ1,…,πM,uM,ΣM分别为M个高斯混合模型的权重、期望、方差。

(2)特征优化阶段，采用动态加权局部线性嵌入方法(DWLLE，Dynamic weighted
locally linear embedding)对特征参数GCWT进行降维；

(3)将语音分为训练集与测试集，利用训练集语音的特征参数训练识别模型；

(4)利用训练好的模型对测试集的特征参数进行预测分类。

上述所述的动态加权局部线性嵌入方法DWLLE是对样本点近邻点采用核函数动
态加权，弱化稀疏采样对降维造成的影响，主要过程包括：

(1)利用欧氏距离寻找每个样本点的k(k＜n,n为样本点数)个近邻点；

(2)计算样本点和近邻点之间的径向基核函数：

$u_{\mathrm{ij}}=k(x_i,x_j)=\mathrm{\Φ}\left(x_i\right)\·\mathrm{\Φ}\left(x_j\right)=\exp (-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{{\mathrm{\σ}}^2}),$

其中，uij是近邻点xi、xj的核函数k(xi,xj)的函数值，Φ(xi)、Φ(xj)分别是样本点
xi、xj的高维空间映射值，||xi-xj||2是样本点xi、xj的欧氏距离，σ为函数的宽度参数，
控制了函数的径向作用范围。

令θ为加权阈值，当uij≥θ时，不对近邻点xj做任何处理，当uij＜θ时，对样本点
与近邻点重构之间的误差以uij做加权处理，弱化稀疏采样对降维造成的影响；

(3)由样本点的近邻点计算出该样本点的局部重建权值矩阵，使样本点与近邻点
以核函数相似度加权的重构误差最小：

$\min \mathrm{\ϵ}\left(W\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left|\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}(x_i-w_{\mathrm{ij}}{x}_j)\right|}^2;$

$s.t\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}=1$

其中，W是局部重构权值wij矩阵，uij是动态加权权值，wij是样本点xi、xj之间的
权值，代表着局部信息。

(4)根据局部重建权值矩阵和其近邻点计算出样本集的低维嵌入。

上述所述的特征参数GCWT基于小波变换，充分体现了时域和频域良好的局部化
特性。

上述所述的特征参数GCWT是针对小波系数呈现稀疏分布进行改进的特征提取。

有益效果：本发明提供的一种语音识别方法，具有以下优点：

(1)针对小波能量/熵的局限性，通过多尺度连续小波变换对语音进行时频分析，
对沿尺度轴方向的小波系数进行高斯混合建模得到统计学参数GCWT，对语音进行识
别，提出的特征参数GCWT优于传统的特征参数MFCC。

(2)针对局部线性嵌入降维算法LLE对稀疏数据的敏感性，提出了改进的动态加
权局部线性嵌入方法DWLLE，降维效果优于LLE。

附图说明

图1为语音识别系统的主要过程图。

图2为本发明的语音识别系统的设计图。

图3为本发明的实施例1的语音识别系统的设计图。

图4为本发明的实施例1的MFCC特征参数提取流程图。

图5为本发明的实施例2的语音识别系统的设计图。

图6为本发明的实施例3的语音识别系统的设计图。

具体实施方式

实施例1

在不进行特征优化的情况下，语音识别包括特征提取和利用分类器进行识别两个步
骤。

一、特征提取：

分别对语音提取现有的特征参数MFCC和本发明的特征参数GCWT。

1.特征参数MFCC提取步骤：

(1)将信号S(n)预加重后采用汉明窗进行加窗分帧，得到每帧信号xn(m)，然后
通过短时傅里叶变换得到其频谱Xn(k)，随后求取频谱的平方，即能量谱Pn(k)。

Pn(k)＝|Xn(k)|2

(2)用M个Mel带通滤波器对Pn(k)进行滤波，由于每一个频带中分量的作用在人耳
中是叠加的，因此将每个滤波器频带内的能量进行叠加。

$S_n\left(m\right)=\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{P}_n\left(k\right)H_m\left(k\right),1\≤m\≤M$

其中，Hm(k)为Mel滤波器频域形式，Sn(m)是每个滤波器频带输出。

(3)将每个滤波器输出取对数功率谱并进行反离散余弦变换，得到L个MFCC系数。

$C_i^n=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\log }_{10}{S}_n\left(k\right)\×\cos [\mathrm{\π}(k-0.5)i/M],1\≤i\≤L$

(4)将得到的MFCC系数作为第n帧的特征参数，反映了语音信号的静态特征，如果
加上人耳更为敏感的一阶差分系数，将得到更好的效果。一阶差分的计算公式如下：

$d_i^n=\frac{\underset{j=-L}{\overset{L}{\mathrm{\Σ}}}{c}_{(i+j)}^n\×i}{\sqrt{\underset{j=-L}{\overset{L}{\mathrm{\Σ}}}{j}^2}}$

L一般取2，表示当前帧前后各2帧的线性组合，反映了语音的动态特征。

2.特征参数GCWT提取步骤：

(1)语音时频分析

使用db4小波作为母小波，db4小波的中心频率是0.7143Hz，在16个不同尺度下
对语音进行连续小波变换，得到时频域语音的能量谱密度。

(2)高斯混合建模

采用k-menns算法确定中心点进行初始化，并采用EM(Expectation Maximum)算
法求解，选取高斯混合模型(M＝4)，对16个小波尺度下的能量谱密度沿尺度方向进行
多维建模，并且将建模所得的统计学参数作为特征参数GCWT，
GCWT＝(π1,u1,Σ1,…,πM,uM,ΣM)。

二、识别：

使用训练集语音的特征参数训练不同的分类器模型，进而使用训练好模型测试集语
音特征参数进行识别。

实施例2

一种语音识别方法包括特征提取、特征优化和利用分类器进行识别三个步骤。

一、特征提取与实施例1中特征参数GCWT提取步骤相同。

二、特征优化：

使用非线性降维方法LLE进行降维处理，包含以下三个步骤：

(1)对于给定的源数据集X＝{x1,x2,…,xn},xi∈RD，利用欧氏距离寻找每个样本
点的

k(k＜n)个近邻点，其中k＝7；

(2)由样本点的近邻点计算出该样本点的局部重建权值矩阵，使重建误差最小；

(3)根据局部重建权值矩阵和其近邻点计算出样本集的低维嵌入。

LLE在样本均匀采样下使用欧氏距离求取邻域，这对稀疏和噪音污染的数据容易产
生扭曲的邻域结构，从而导致短路现象。

三、利用分类器进行识别：

使用经过LLE降维的训练集语音的特征参数训练SVM模型，进而使用训练好模型
对经过LLE降维的测试集语音特征参数进行识别。

实施例3

一种语音识别方法包括特征提取、特征优化和利用分类器进行识别三个步骤。

一、特征提取与实施例1特征参数GCWT提取步骤相同。

二、特征优化：

使用非线性降维方法DWLLE对GCWT进行降维处理。降维时，参数设置如下：
$k=7,\mathrm{\σ}=\frac{1}{7},\mathrm{\θ}=0.8.$主要过程包括：

(1)利用欧氏距离寻找每个样本点的k(k＜n)个近邻点；

(2)计算样本点和近邻点之间的径向基核函数：

$u_{\mathrm{ij}}=k(x_i,x_j)=\mathrm{\Φ}\left(x_i\right)\·\mathrm{\Φ}\left(x_j\right)=\exp (-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{{\mathrm{\σ}}^2});$

其中，uij是近邻点xi、xj的核函数k(xi,xj)的函数值，Φ(xi)、Φ(xj)分别是样本点
xi、xj的高维空间映射值，||xi-xj||2是样本点xi、xj的欧氏距离，σ为函数的宽度参数，
控制了函数的径向作用范围。

令θ为加权阈值，当uij≥θ时，不对近邻点xj做任何处理，当uij＜θ时，对样本点
与近邻点重构之间的误差以uij做加权处理，弱化稀疏采样对降维造成的影响；

(3)由样本点的近邻点计算出该样本点的局部重建权值矩阵，使样本点与近邻点
以核函数相似度加权的重构误差最小：

$\min \mathrm{\ϵ}\left(W\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left|\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}(x_i-w_{\mathrm{ij}}{x}_j)\right|}^2;$

$s.t\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}=1$

其中，W是局部重构权值wij矩阵，uij是动态加权权值，wij是样本点xi、xj之间的
权值，代表着局部信息。

(4)根据局部重建权值矩阵和其近邻点计算出样本集的低维嵌入。

三、利用分类器进行识别：

使用经过DWLLE降维的训练集语音的特征参数训练SVM模型，进而使用训练好
的模型对经过DWLLE降维的测试集语音特征参数进行识别。

对实施例1中的特征参数MFCC和特征参数GCWT采用十交叉验证方式，实验结
果见下表：

从上表可以看出，特征参数GCWT优于传统的特征参数MFCC。

通过实施例2的降维方法LLE对特征参数GCWT降维后识别率分别可以达到
95.54％，比实施例1中未经过降维优化的GCWT平均识别率提高了2.7％；实施例3的
降维方法DWLLE对特征参数GCWT降维后识别率分别可以达到97.45％，比实施例1
中未经过降维优化的GCWT平均识别率提高了4.8％。由此可知，经过降维处理的特征
参数比未处理的特征参数提高了系统的识别率和可靠性，并且降维方法DWLLE的降维
效果优于降维方法LLE。