1、近年來(lái)，在非特定人的連續(xù)詞語(yǔ)音識(shí)別技術(shù)方面取得了很大進(jìn)步，人工智能和機(jī)器學(xué)習(xí)已經(jīng)成為一個(gè)非常熱門的研究領(lǐng)域。語(yǔ)音識(shí)別雖然在理論上的研究已經(jīng)取得了比較大的進(jìn)展，但是在實(shí)際應(yīng)用中仍然有很多難點(diǎn)。其中主要包括：第一，在實(shí)際應(yīng)用開發(fā)過程中，語(yǔ)音訓(xùn)練樣本數(shù)量往往比較有限，這將導(dǎo)致模型的參數(shù)訓(xùn)練不夠充分，從而影響語(yǔ)音識(shí)別率。第二，由于環(huán)境中往往存在各種噪聲，而噪聲會(huì)對(duì)識(shí)別結(jié)果造成比較大的影響。本文針對(duì)以上難點(diǎn)提出了相應(yīng)的解決方案。針對(duì)第一個(gè)難點(diǎn)引入

2、了子空間高斯混合模型(SGMM)，針對(duì)第二個(gè)難點(diǎn)引入了隱馬爾可夫(HMM)和人工神經(jīng)網(wǎng)絡(luò)(ANN)的混合模型。論文的主要研究?jī)?nèi)容包括如下：
　　(1)論文介紹了語(yǔ)音識(shí)別的基本技術(shù)原理，主要包括預(yù)加重、加窗分幀和端點(diǎn)檢測(cè)。針對(duì)傳統(tǒng)雙門限端點(diǎn)檢測(cè)算法在噪聲環(huán)境下檢測(cè)的不足，本文提出了改進(jìn)的端點(diǎn)檢測(cè)算法，端點(diǎn)檢測(cè)的準(zhǔn)確率得到了約7％的提高。
　　(2)論文介紹了特征提取中的線性預(yù)測(cè)系數(shù)(LPC)、線性預(yù)測(cè)倒譜系數(shù)(LPCC)和梅爾

3、頻率倒譜系數(shù)(MFCC)。對(duì)LPCC和MFCC做了對(duì)比分析，選擇了更符合人耳聽覺特性的MFCC作為語(yǔ)音識(shí)別的特征提取參數(shù)。
　　(3)在語(yǔ)音識(shí)別的實(shí)際應(yīng)用中，針對(duì)語(yǔ)音訓(xùn)練樣本數(shù)據(jù)比較有限導(dǎo)致模型參數(shù)訓(xùn)練不夠充分的情況，本文引入了SGMM模型，并對(duì)HMM+SGMM模型的原理進(jìn)行了詳細(xì)的介紹和分析。
　　(4)論文首先針對(duì)不同數(shù)據(jù)量的訓(xùn)練樣本對(duì)HMM模型和 HMM+SGMM模型分別進(jìn)行了測(cè)試，然后對(duì)HMM+SGMM模型在噪聲環(huán)境

4、下進(jìn)行了測(cè)試。實(shí)驗(yàn)結(jié)果表明：在語(yǔ)音訓(xùn)練樣本有限的情況下，引入子空間高斯混合模型是一種有效的模型優(yōu)化手段；在噪聲環(huán)境下HMM+SGMM模型仍然具有較好的識(shí)別效果；改進(jìn)的端點(diǎn)檢測(cè)算法對(duì)HMM+SGMM模型仍然適用。
　　(5)針對(duì)HMM通常只在無(wú)噪聲語(yǔ)音環(huán)境下具有比較好的識(shí)別效果，噪聲環(huán)境下的語(yǔ)音識(shí)別率卻較低。論文引入了HMM+ANN混合模型，并對(duì)HMM和HMM+ANN模型在信噪比為5-35dB的環(huán)境下做了實(shí)驗(yàn)測(cè)試，結(jié)果表明HMM+A