摘要
本文在HMM/Filler模型的基础上,通过对汉语的408个音节建立支持向量机(SVM)分类器提升了HMM系统的识别率,这408个SVM音节分类器有助于全面支持关键词的动态设定.针对SVM分类器训练数据的定长要求,本文通过对关键词特征帧进行等长化处理,使得对音节分类的SVM分类器得以训练.进一步,为了调节系统的融合性,本文提出概率融合公式,即通过设定融合参数λ来调整SVM分类器对HMM/Filler的作用程度.实验结果表明,当融合参数λ=0. 3时,SVM与HMM/Filler融合的关键词识别系统效果最佳,此时融合系统相对于HMM/Filler基线系统识别率有着6. 74%的提升,多特征训练的...
学科与关键词
关键词
识别隐马尔可夫模型(HMM)HMM/Filler模型支持向量机(SVM) recognitionHidden Markov ModelHMM/Filler modelSupport Vector Machine
- 基于语音特征聚类的HMM语音识别系统研究姚敏锋; 李心广; 杨佳能微计算机信息, 2012, (10): 458-460.
- 一种自适应权值的多特征融合分类方法张文博; 姬红兵; 王磊系统工程与电子技术, 2013, (06): 1133-1137.
- 基于DSP开发板的语音识别系统的研究杨海燕; 景新幸; 曾招华计算机测量与控制, 2013, (01): 210.
