校正训练算法在半连续HMM中的应用

隐马尔柯夫模型用最大似然准则训练的结果，能保证训练过程的最佳，但却不能保证识别过程的最佳，从识别时的最小误识率出发导出的各种准则之下的训练方法，能有效地提高系统的性能。本文将校正训练（CT）算法应用于半连续隐马尔柯夫模型（SCHMM）的训练过程，给出了算法的具体实现步骤，同时对于所需的易混集的建立方法，采用一种适于中小词表系统的动态构造方法来实现。     

SPEECH ENHANCEMENT METHOD FOR LPC AUTOREGRESSIVE MODEL AND SYSTEM IMPLEMENTATION OF COMMAND WORD RECOGNITION USED IN NOISY ENVIRONMENT

目前几乎所有的语音识别系统和商品在实际应用中都要求环境比较安静，当背景噪声比较高时，系统的性能就急剧下降，甚至不能使用。本文对语音和噪声的特点进行了分析，提出了基于ＬＰＣ全极点模型的语音增强算法，将其应用于高噪声命令词语音识别中，并进行了系统实现。在不同背景噪声下，采用不同的话筒，分别进行了有关信噪比、基本精度、抗噪能力以及系统对环境改变的适应性等实验。实验结果表明，系统在较高噪声背景下，有很好的识别效果。系统可抗多种噪声，基本可满足军事、交通、商场、工厂等应用领域的需要