25、基于平滑非线性能量算子的幅度调制特征用于鲁棒语音识别

基于平滑非线性能量算子的幅度调制特征用于鲁棒语音识别

1 引言

在语音识别领域，传统的梅尔频率倒谱系数（MFCC）和感知线性预测（PLP）特征常被用于表示短语音段。自1974年提出以来，MFCC由于部分模拟了人类对声音颜色的感知，一直是强大的声音表示工具，在信号处理领域广泛应用。当训练和测试环境相同时，MFCC和PLP特征结合标准的隐马尔可夫模型（HMM）语音识别器表现良好。然而，信号采集过程中的不同操作条件，如信道响应、手机类型、背景噪声、混响等，会导致训练和测试阶段的特征不匹配，从而降低基于MFCC和PLP的语音识别系统性能。

为补偿环境不匹配的影响，可以在前端（特征提取器）、后端或两者同时进行处理。鲁棒特征提取器的主要目标是开发能保留语音有用信息，同时减少环境不匹配带来的特征变化的特征。目前，已有多种鲁棒特征提取器应用于语音识别任务，如ETSI高级前端（ETSI - AFE）、功率归一化倒谱系数（PNCC）等。

语音信号的幅度调制 - 频率调制（AM - FM）在语音感知和识别中起着重要作用。AM - FM模型已成功应用于信号处理的多个领域，在语音处理中，可用于语音分析、建模、合成以及情感、语音和说话人识别等。传统的AM - FM解调方法是使用希尔伯特变换和相关的加博尔解析信号，另一种方法是使用非线性能量算子（NEO）来跟踪生成AM - FM信号所需的能量，并将其分离为幅度和频率分量。NEO解调方法具有简单、高效、能适应瞬时信号变化等优点。

本文提出使用基于平滑非线性能量算子（SNEO）的幅度调制特征进行鲁棒大词汇量连续语音识别（LVCSR）任务。SNEO的优点是仅使用输入信号的少量样本估计生成AM - FM信号所需的能量，并将其分离为幅度和频率分量，无