基于匹配追踪的分段区分性语音识别特征变换提升

本文主要探讨了一种不相关匹配追踪的分段区分性特征变换方法，针对传统基于分帧特征变换在稳定性上的局限，提出了创新性的解决方案。该方法将特征变换视为高维信号的稀疏表示问题，通过状态绑定技术，构建了两种不同类型的线性变换矩阵：一种是Region Dependent Linear Transform (RDLT)，根据语音信号的域划分进行训练；另一种是基于最小音素错误准则的Mean-Offset Feature Minimum Phone Error (m-fMPE)变换矩阵，旨在提升特征的区分性。 这两种变换矩阵被组合成一个过完备的字典，用于捕捉语音信号的多样性和区分性信息。在处理语音信号时，采用了强制对齐的策略将其划分为多个段，然后以似然度最大化为目标函数，利用匹配追踪算法进行迭代优化。这种方法能够自动适应各个信号段，确定最适合的变换矩阵和系数。 为了保证特征变换的稳定性，作者引入了相关度测量机制，通过剔除相关特征基矢量，减少冗余信息，从而提高识别精度。实验结果显示，与传统的RDLT方法相比，采用最大似然和区分性准则训练的声学模型，其识别性能分别提高了1.63%和2.23%，显示出显著的优势。 这项技术不仅适用于传统的语音识别任务，还能扩展到语音增强和模型区分性训练等领域，具有较高的实用价值。本文的研究为改进特征变换方法、提升语音识别系统的稳定性和性能提供了一种创新且有效的策略。