基于GMM的算法在语音检出系统中的应用研究

• 作者: 乔立升 吴韬 沈军 赵永忠
• 来源期刊: 现代电子技术
• 关键词: 高斯混合模型 最大似然估计 区分性模型训练 语音检出
• 年，卷（期）: 2015,（13）
• 所属期刊栏目: 通信与信息技术
• 页码范围: 59-62
• 页数: 4页
• 分类号: TN912.3-34
• 语种: 中文

摘要

高斯混合模型（GMM）由于通过改变高斯的混合度，能够逼近任意概率分布，所以在语音识别领域应用广泛。对高斯混合模型的训练，常见的训练方法是最大似然估计（MLE），这种训练方法能最大程度拟合所有样本的分布，但没有考虑模型之间的相互影响，导致识别过程会出现混淆情况；区分性模型训练算法，适合应用于大数据量复杂组合类别的区分问题。这里提出采用的区分性模型训练方法，其原则是最小化分类错误风险，通过更精确细致地刻画不同模型之间的分类面，提升识别的效果。实验结果表明，该训练方法比最大似然估计的训练方法在多类别语音检出任务中具有更好的识别效果。