多類分類支持向量機在語音識別中的應用研究.pdf

1、語音識別是人機交互技術的基礎，是語音信號處理的一個重要方面，有著廣闊的應用前景，對語音識別進行研究具有重要的理論價值和實際意義。
　　 語音識別是典型的多類分類問題，由于支持向量分類機(SVM)善于解決高維分類問題，可以用來處理語音識別問題。本文首先系統地介紹了語音識別的基本原理，分析了目前主要的語音識別方法的局限性和不足，概述了本文研究的基礎——統計學習理論和支持向量機方法，這些方法基于統計學習理論和貝葉斯參數估計理論。算法的

2、訓練過程本質上是求解一個二次凸優(yōu)化問題，不存在局部極值問題，從而避免使學習過程復雜化。這一方法有許多好處，例如，該模型構造了一個關于數據的最明確的信息依賴模式(即支持向量)，這對算法完成分類有明確的意義。
　　 本文分別構建了基于“一對一”、“一對余”、“有向無環(huán)圖”三種多類分類方法的支持向量機非特定人語音識別系統，分析了三種算法各自的優(yōu)缺點，并進行了大量的仿真實驗。實驗結果表明，三種支持向量機應用于語音識別系統中均取得了優(yōu)于隱

3、馬爾可夫模型的識別結果，并且算法的運行速度也優(yōu)于隱馬爾可夫模型。
　　 其次，研究了在相同的核函數下，懲罰參數和核參數對支持向量機泛化性能的影響，分別選取不同的懲罰參數值和核參數值進行語音識別實驗。實驗結果表明，懲罰參數和核參數會對支持向量機的泛化性能帶來明顯影響，從而影響語音識別系統的識別效果。
　　 為了滿足語音識別系統對實時性和便攜性的要求，本文提出了一種基于MFCC/SVM在OMAP5912 嵌入式系統開發(fā)平臺上