基于LPC、LPCC和PLP的孤立词语音识别对比研究及模型阶次影响分析...

简介：
本研究针对孤立词语音识别问题，比较了LPC（线性预测编码）、LPCC（线性预测 cepstral系数）和PLP（Perceptual Linear Prediction感知线性预测）三种特征参数的性能，并深入探讨了模型阶次对识别率的影响。 机器的自动语音识别（ASR）研究已经超过六十年了。尽管取得了许多进步，在准确性和速度方面，机器仍然无法与人类对手相匹敌，尤其是在说话者独立的情况下进行语音识别时更是如此。因此，当今的研究重点之一就是解决这种说话者独立的问题，并且在对信号特征向量的提取之前需要执行语音处理步骤，这表明前端分析的重要性。 这项研究的目标是探讨、实施和比较广泛应用于语音识别中的参数化方法，包括线性预测编码（LPC）、线性预测倒谱系数（LPCC）以及感知线性预测（PLP）。我们还将观察模型参数变化对识别率的影响。使用矢量量化(VQ)来准备每个话语的单词模板，并利用欧几里得距离作为分类器。 在实验中，采用了TI-46的文字数据库来比较不同前端处理方法的效果，包括干净环境下的语音和因噪声及频谱变异而降低质量的语音。研究了从40dB到-5dB的各种信噪比（SNR）级别下语音识别的表现，并使用高斯白噪声进行实验。 观察结果表明，在干净以及嘈杂环境中，LPCC方法都优于LPC；同时带有DELTA和DELTA-DELTA处理后的PLP在所有环境中的表现均超过了LPC与LPCC。本段落对以上所述的各个技术进行了比较分析，并讨论了每种技术在不同条件下的适用性。