前言
當(dāng)前語音識別的研究已取得了較為豐碩的成果，在安靜環(huán)境下性能令人滿意，逐漸被應(yīng)用在諸多人機交互的場合。然而，由于噪聲的存在，語音識別系統(tǒng)在實際環(huán)境下性能急劇下降，如何提高語音識別的噪聲魯棒性，逐漸成為近年來語音識別的研究熱點。本書主要研究農(nóng)產(chǎn)品市場信息采集作業(yè)環(huán)境中的語音識別噪聲魯棒性問題，針對當(dāng)前缺乏面向農(nóng)產(chǎn)品市場信息采集領(lǐng)域的語音識別引擎，而通用領(lǐng)域的識別算法又不適合解決上述問題，分析環(huán)境的噪聲特點，面向非特定人和中小規(guī)模詞匯量的連續(xù)漢語普通話識別，訓(xùn)練聲學(xué)模型，研究適用于該環(huán)境下的語音識別魯棒性方法。本書主要研究的內(nèi)容包括：
（1）基于隱馬爾科夫模型（HMM）框架建立了聲學(xué)模型，利用自建的農(nóng)產(chǎn)品市場信息語料庫進行訓(xùn)練和測試HHM模型，基于HTK工具包建立了農(nóng)產(chǎn)品價格語音識別基線系統(tǒng)。
（2）在分析農(nóng)產(chǎn)品市場信息采集環(huán)境的噪聲特點的基礎(chǔ)上，從模型空間和特征空間對系統(tǒng)采取了多種魯棒性方法，包括：在聲學(xué)模型的識別基元選取上，采用了一種擴展的三音素聲韻母模型，有效地解決了音節(jié)內(nèi)部和音節(jié)間的協(xié)同發(fā)音問題，大大提高了識別率；針對建模后三音子模型數(shù)量急劇增加問題，采用了決策樹狀態(tài)聚類方法，建立了一套二值問題規(guī)則集，并將語音學(xué)的專業(yè)知識融合進決策樹，通過聚類減少了三音子模型的數(shù)量，有效地解決了訓(xùn)練數(shù)據(jù)不充分問題；鑒于倒譜均值歸一化（CMN）方法在消除信道卷積噪聲以及加性噪聲方面的良好表現(xiàn)，在農(nóng)產(chǎn)品市場信息語音識別系統(tǒng)中采用，有效緩解了信道噪聲影響。
（3）在信號空間，為了提高輸入語音信號的信噪比，采用了譜減類算法進行語音增強，但譜減算法容易帶來信道失真和音樂噪聲。為了減少這種失真，提出了一種聯(lián)合語音增強與特征補償?shù)聂敯粜苑椒ǎ�把倒譜均值方差歸一化方法（CMVN）與譜減類算法進行了結(jié)合，二者互為補充。實驗結(jié)果表明，聯(lián)合后的算法能有效提高系統(tǒng)的識別率，特別是在低信噪比時效果更為明顯。
（4）在統(tǒng)計估計理論的框架下，研究了估計幅度與實際幅度的最小均方誤差（MMSE）估計器以及對數(shù)最小均方誤差（logMMSE）幅度估計器。在此基礎(chǔ)上提出了一種聯(lián)合MMSE以及l(fā)ogMMSE幅度估計與CMVN失真補償?shù)聂敯粜苑椒�。不同農(nóng)產(chǎn)品市場信息采集環(huán)境下的實驗證明，該方法具有一定的噪聲魯棒性，多種空間算法的有機結(jié)合可以提供系統(tǒng)的魯棒性，特別是在低信噪比時更為明顯。
本書的研究為語音識別在農(nóng)產(chǎn)品市場信息采集環(huán)境中的應(yīng)用建立了一套魯棒性方法，為今后語音識別在農(nóng)業(yè)信息采集領(lǐng)域的應(yīng)用提供了借鑒。然而，由于水平所限，編寫時間倉促，書中難免會出現(xiàn)一些錯誤或者不準(zhǔn)確的地方，懇請讀者批評指正。
本書初稿完成后，得到了諸葉平、趙俊峰、王向東、周國民等人的審閱和指導(dǎo)，提出了很多寶貴意見，對本書質(zhì)量的提高有很大幫助，在此向他們表示衷心的感謝。
本書是作者參與承擔(dān)國家自然科學(xué)基金項目的部分研究成果，具有一定的理論性和實際應(yīng)用性。

著者2018年3月