[发明专利]用于分类的联合统计模型的建立方法及应用方法

权利要求书

1.一种用于分类的联合统计模型的建立方法，其特征在于，所述方法包括以下步骤：

同步采集干净的气导训练语音和非气导训练语音并进行分帧，提取每帧语音的特征参数；

将所述气导训练语音和非气导训练语音的特征参数拼接得到干净的联合语音特征参数；

利用所述联合语音特征参数，训练用于分类的联合统计模型；

计算对应于每个分类的气导语音线性频谱统计模型；

利用同步采集的所述气导训练语音和所述非气导训练语音，建立非气导语音到气导语音的映射模型；

同步采集气导检测语音和非气导检测语音，检测气导检测语音的端点，然后利用气导检测语音的纯噪声段建立气导噪声统计模型；

利用所述气导噪声统计模型修正所述联合统计模型，并对气导检测语音帧进行分类，然后根据分类结果对应的气导语音线性频谱统计模型和气导噪声统计模型计算最佳气导语音滤波器，并对气导检测语音进行滤波增强后得到滤波增强语音；

根据所述非气导语音到气导语音的映射模型，将非气导检测语音转换为气导的映射语音；

将所述气导的映射语音与所述滤波增强语音进行加权融合，得到融合增强后的语音。

2.根据权利要求1所述的方法，其特征在于，所述将所述气导训练语音和非气导训练语音的特征参数拼接得到干净的联合语音特征参数的步骤包括：

将气导训练语音的倒谱域特征矢量序列记为；

将非气导训练语音的倒谱域特征矢量序列记为；

将第l帧气导训练语音和第l帧非气导训练语音的倒谱域特征矢量进行拼接，得到第l帧倒谱域联合特征矢量为；

其中，为语音数据帧数，为第帧气导训练语音的特征矢量的列向量，为第帧非气导训练语音的特征矢量的列向量。

3.根据权利要求1所述的方法，其特征在于，所述联合统计模型为倒谱域联合统计模型；

所述利用所述联合语音特征参数，训练用于分类的联合统计模型的步骤包括：

利用最大期望算法求出使得所述倒谱域联合统计模型的似然函数最大的模型参数集。

4.根据权利要求3所述的方法，其特征在于，所述计算对应于每个分类的气导语音线性频谱统计模型的步骤包括：

对所有用于训练的联合语音帧进行分类，计算属于每个分类的所有联合语音帧中气导语音线性频谱的统计参数，建立与每个分类相对应的气导语音线性频谱统计模型。

5.根据权利要求1所述的方法，其特征在于，所述联合统计模型为倒谱域联合统计模型；

所述计算对应于每个分类的气导语音线性频谱统计模型的步骤包括：

计算每一帧倒谱域联合特征矢量属于所述倒谱域联合统计模型各分类的概率，记下最大概率所对应的模型混合分量；

完成所有倒谱域联合语音帧的分类后，计算聚集在同一分类上的所有联合语音帧中气导语音的频谱均值，作为与所述倒谱域联合统计模型相对应的气导语音线性频谱统计模型参数。

6.根据权利要求1所述的方法，其特征在于，所述气导训练语音和非气导训练语音的特征参数为梅尔频率倒谱系数、线性预测倒谱系数或线谱频率；

所述用于分类的联合统计模型为多数据流混合高斯模型或多数据流隐马尔可夫模型；

所述对应于每个分类的气导语音线性频谱统计模型表示为气导语音线性频谱的均值。

7.根据权利要求1所述的方法，其特征在于，通过以下步骤对所述联合统计模型进行修正：

将联合统计模型的参数转换到线性频谱域；

按气导干净语音和气导噪声在线性频谱域是加性关系对联合统计模型中的气导语音数据流参数进行修正；

将修正后的线性频谱域联合统计模型参数转换回原来的特征域，得到修正后的联合统计模型；

其中，上述联合统计模型中的所述气导语音数据流参数为混合高斯模型或隐马尔科夫模型中高斯分量的均值和协方差。