基于多特征組合優化的漢語數字語音識別研究

蔡 敏

(蘇州工業園區工業技術學院機電中心，江蘇 蘇州215123)

漢語數字語音識別是語音識別領域中一個重要的分支，在日常生活中的電話撥號、人機交互、密碼身份識別等領域都有著重要的應用價值，但由于漢語數字語音的發音特點，容易產生互相之間混淆，導致識別率不高。

漢語數字語音識別系統主要包括了語音特征提取和分類器兩部分［1］。特征參數的選擇是其中的關鍵問題。線性預測倒譜系數［2］(LPCC)參數是根據聲管模型建立的特征參數，可以準確反映聲道響應信息。梅爾頻率倒譜系數［3］(MFCC)參數則充分考慮了人耳的聽覺特性，具有較好的魯棒性和識別性能。

本文首先提取了漢語數字語音的LPCC 參數、MFCC 參數及其一階差分，并進行特征組合。針對每個語音每幀均需要提取系數，導致維數過高的問題，按照參數矩陣按列求取均值和方差的方法進行首次降維，隨后采用基于關聯規則的特征選擇算法［4］進行二次降維，最后采用C4.5 決策樹算法［5］進行識別實驗。

1 特征提取算法及優化

1.1 線性預測倒譜系數(LPCC)

線性預測分析技術就是由語音信號直接求出一組線性預測系數，通過在最小均方誤差準則條件下求預測系數的最佳估計值，而該組預測系數恰好能反映聲道的響應信息。

語音信號的聲道傳輸函數為:

其中ai(i = 1，2，…，p)即預測系數，可采用Levinson-Durbin 遞推算法求解。線性預測系數能夠用于模擬聲道模型，但獲取系數時語音信號產生過程中的激勵信息也混入其中。倒譜分析利用同態處理方法，能夠將無關的激勵信息從中分離出來。首先對語音信號求離散傅里葉變換，然后取絕對值的對數進行反變換，同時設計一個濾波器，把需要的聲道響應信息留下來而把聲門激勵信號去除，就能夠得到所需特征。

1.2 梅爾頻率倒譜系數(MFCC)

梅爾頻率倒譜參數是將人耳的聽覺特性和語音的產生機制相結合而產生的一組特征參數。人耳具有一些特殊的功能，在1 kHz 以下為線性尺度，而在1 kHz 以上則為對數尺度，這就意味著人耳對低頻信號更加敏感。突出低頻信息有利于屏蔽噪聲的干擾，提取穩定性很高的語音特征參數。

Mel 頻率和實際頻率的轉換關系和圖示如下:

首先將信號S(n)預加重后采用漢明窗進行加窗分幀，得到每幀信號xn(m)，然后通過短時傅里葉變換得到其頻譜Xn(k)，隨后求取頻譜的平方，即能量譜Pn(k)。用梅爾帶通濾波器對Pn(k)進行濾波，將每個濾波器頻帶內的能量進行疊加，取對數功率譜并進行反離散余弦變換，即得到MFCC 系數。

1.3 特征降維

提取LPCC 和MFCC 參數后，通過求取其系數矩陣的均值和方差的方式進行一次降維，如圖1 所示，得到24 階LPCC，24 階MFCC 及其一階差分(24階ΔMFCC)。

圖1 MFCC、LPCC 第1 次降維過程

將完成第1 次降維后的參數，采用特征參數優化選擇方法，實現二次降維。關聯規則能夠發現數據庫中屬性間隱藏的關聯網，通過優先選擇短規則選擇相關屬性，有可能得到最小的屬性子集［8］。基本思想是首先挖掘后件為類屬性的強關聯規則，再根據關聯規則參數找出與類屬性密切相關的屬性子集。

設I={i1，i2，…，im}是項的集合，A 是一個項集，關聯規則是形如A?B 的蘊涵式，其中A?I，B?I，且A∩B=φ。參數描述如下:

支持度

置信度

提升度

2 C4.5 決策樹算法

決策樹方法是數據挖掘中分類方法的一種，其核心思想是根據某種規則將測試樣本生成決策樹模型，然后利用生成的決策樹模型對未知數據進行分類預測。決策樹是一個類似流程圖的樹型結構，如圖2 所示，采用自頂向下的遞歸方式，通過把樣本從根節點排列到某個葉子節點來進行分類，根據不同的屬性值判斷從該節點向下的分支，葉節點即為實例所屬的分類。

圖2 決策樹示意圖

C4.5 決策樹算法作為在經典決策樹ID3 算法基礎上進行了改進，以樣本的最高信息增益率作為屬性選擇的判決依據。用離散屬性A 對樣本集T進行劃分的信息增益率:

式中，inf(T)表示信息熵。

3 實驗結果及數據分析

本文采用了蘇州大學語音實驗室錄制的漢語數字語音庫進行實驗(SZDX-2006)，語音信號的特性是11 025 Hz，16 bit，單聲道。選用數字語音0 ～9各100 個，共1 000 個語音文檔進行實驗。

采用10 折交叉驗證方式進行實驗，表1 為二次降維前不同特征組合的識別通過比較發現MFCC+ΔMFCC 組合得到較高的識別結果，為94.9%，識別時間從0.1 s 到0.3 s 不等。

表1 二次降維前識別結果

對組合特征進行特征優化選取實現二次降維后實驗結果如表2 所示，在保持高識別率的同時，大大縮短了識別時間。且LPCC+MFCC+ΔMFCC 的識別率識別率高達95.3%，識別時間相對較短，可信度高，誤差小，由此可見采用特征組合的方法并進行二次降維以后，與二次降維前相比，去除了特征中的冗余信息，既有效的縮短了識別時間，又進一步提高了語音識別率。

表2 二次降維前識別結果

對比二次降維前后語音識別率如圖3 所示，除MFCC+ΔMFCC 特征組合降維后識別率有所降低以外，MFCC，MFCC+LPCC，MFCC+LPCC+ΔMFCC 組合識別率均得到了一定的提高，且MFCC+LPCC+ΔMFCC 識別率提高到95.3%。

圖3 二次降維前后識別率比較

4 結論

本文提取了漢語數字語音特征參數并進行組合，通過求取其系數矩陣的均值和方差的方式進行一次降維后，采用基于關聯規則的特征選擇算法進行二次降維處理，并采用C4.5 決策樹算法進行識別，通過實驗發現本文提出的方法能有效縮短識別時間，且LPCC+MFCC+ΔMFCC 的組合識別率最高，達95.3%。在今后的研究中，如何找到更優的特征降維算法和分類算法，以提高漢語數字語音的識別率，還有待于進一步研究。

［1］ 劉雅琴，智愛娟.幾種語音識別特征參數的研究［J］.計算機技術與發展，2009:67-70.

［2］ 韓紀慶，張磊，鄭鐵然. 語音信號處理［M］. 北京:清華大學出版社，2004.

［3］ Sri Rama Murty K，Yegnanarayana B. Combining Evidence from Residual Phase and MFCC Features for Speaker Recognition［J］.IEEE Signal Processing Letters，2006，13(1):52-55.

［4］ 程險峰.多種關聯規則挖掘算法的研究與分析［J］.長春理工大學學報(自然科學版)，2011:107-109.

［5］ Kirchner K，Tolle K H，Krieter J.Decision Tree Technique Applied to Pig Farming Datasets［J］. Livestock Production Science，2004，90:191-200.

［6］ Mahadeva Prasanna S R，Cheedella S Gupta，Yegnanarayana B.Extraction of Speaker-Specific Excitation Information from Linear Prediction Residual of Speech［J］. Speech Communication，2006，48:1243-1261.

［7］ Li Fuhai，Ma Jinwen，Huang Dezhi. MFCC and SVM Based on Recognition of Chinese Vowels［J］.CIS，2005:812-819.

［8］ 武建華，宋擒豹，沈均毅，等. 基于關聯規則的特征選擇算法［J］.模式識別與人工智能，2009，4:256-262.