融合递归求逆滤波的机器人混合语音识别方法

发布时间：2024-02-22 15:52

　　机器人语音识别需要满足混合噪声与非特定人等复杂场景的使用需求,现有方法难以达到全场景的准确识别。为此提出了融合递归求逆滤波的混合语音识别方法。方法根据机器人语音识别模型,分别对语音信号的预处理,特征提取,以及匹配识别三个阶段做了相应优化。在预处理阶段,设计了递归求逆算法,用于补偿原始语音中的小特征信号,同时采用加权向量,在递推过程中增强原始语音信号。在特征提取阶段,针对卷积噪声,边缘效应,以及基音干扰,设计了多次滤波器,用以避免语音特征提取时的各种干扰。最后的匹配识别阶段,利用提取的特征训练得到模板库,通过欧氏距离递推得到相似度,并根据阈值约束完成匹配识别。仿真结果表明,融合递归求逆滤波方法显著提高了混合语音信号的识别率与抗噪性能,能够更好的满足机器人复杂场景下的应用需求。

【文章页数】：5 页

【部分图文】：

图1机器人混合语音识别框图

机器人使用环境复杂,在进行语音识别时通常需要达到混合非特定人级别,这给识别准确率提出了严峻挑战。为了达到较好的识别效果,针对混合非特定人语音处理过程一般包含语音收集,预处理,特征提取,以及匹配识别。采集后首先是对收到的语音信号采取预处理,增强原始语音信号,去除掉混合语音中的噪声,....

图2语音GFCC特征的识别率结果

为了进一步验证融合递归求逆滤波方法在机器人混合语音识别时的良好性能,得出两种方法在信噪比变化时,对于语音信号GFCC特征,以及混合GFCC特征与MFCC特征的识别准确率。由于融合递归求逆滤波方法的语音识别性能不受词汇数量影响,因此,仿真选择HMM方法最佳的词汇数量20,结果曲线如....

图3混合GFCC与MFCC特征的识别率结果

图2语音GFCC特征的识别率结果根据仿真结果分析可知,利用HMM方法得到的语音GFCC特征识别准确率的均值约为74.5%,比语音MFCC特征识别准确率降低了2.13%,对于混合GFCC特征与MFCC特征识别率的均值约为74.2%。融合递归求逆滤波方法的对于语音MFCC特征识别准....

本文编号：3906903