[发明专利]一种组合PCA和RBM的孤立数字语音识别分类系统及方法

摘要

本发明公开了一种组合PCA和RBM的孤立数字语音识别分类系统及方法，首先，采用梅尔频率倒谱系数(MFCC)与一阶差分MFCC相组合，初步抽取孤立数字的语音动态特征；然后采用主成分分析(PCA)对MFCC组合特征作线性降维处理，并统一新得到的特征的维数；进而，采用受限波尔兹曼机(RBM)对所得新特征作非线性降维处理；最后，采用Softmax分类器对非线性降维后的数字语音特征完成识别分类。本发明采用PCA线性降维、统一特征的维数与RBM非线性降维相结合，大大改善了模型的特征表征与分类能力，提高了孤立数字语音识别正确率，为实现孤立数字语音高准确率识别提供了一种高效的解决方案。

主权项

1.一种组合PCA和RBM的孤立数字语音识别分类方法，其特征在于，包括以下步骤：步骤1：输入孤立数字语音信号；步骤2：提取孤立数字语音信号的MEL频率倒谱系数MFCC，然后计算一阶差分倒谱系数，并与MEL频率倒谱系数MFCC进行组合得到MFCC组合特征参数；其中提取孤立数字语音信号的MEL频率倒谱系数MFCC的具体过程为：步骤2.1：将原始孤立数字语音信号S₀通过预加重、分帧、加窗处理得到成帧的语音信号S_f，其中，预加重处理使用的传递函数为式中，S₀为原始语音信号，u为预加重系数，取0.9375，H(S₀)为预加重后的语音信号；步骤2.2：采用基于短时能量和短时过零率的端点检测方法，从成帧的语音信号Sf中截取得到实际有效的语音信号帧Se；步骤2.3：对每一实际有效的语音信号帧Se进行离散FFT变换得到其频谱，再对该频谱取模的平方求得离散功率谱S(n)；步骤2.4：将离散功率谱S(n)通过M个具有三角滤波特性的带通滤波器Hm(n)的MEL滤波器组得到MEL频谱，即计算S(n)和Hm(n)在各离散频率点上的乘积之和，得到M个MEL频谱参数Pm，m＝0,1…M‑1；步骤2.5：将得到的MEL频谱取对数能量得到对数能量谱，再经MEL滤波器组输出，即计算Pm的自然对数，得到对数能量谱Lm，m＝0,1…M‑1；步骤2.6：将对数能量谱Lm经过离散余弦变换到倒谱域即可得到MEL频率倒谱系数Dm，m＝0,1…M‑1，舍去代表直流成份的D0，取D1,D2…Dg作为MFCC特征参数值，其中M取24，g取12；步骤3：采用PCA对MFCC组合参数特征进行线性降维，并且使降维后得到的特征维数得到统一；采用PCA对MFCC组合参数特征进行线性降维，并且使降维后得到的特征维数得到统一的方法为：对语音信号求MFCC特征参数，每一帧得到24维的MFCC组合特征参数，最后该语音信号得到一个N*24的特征参数矩阵，N为语音信号的帧数，将特征参数矩阵进行转置，再与特征参数矩阵相乘，得到24*24的方阵，求其特征值，取前两个最大特征值所对应的特征向量作为该语音信号的特征参数，得到一个48维的特征向量；步骤4：采用RBM对线性降维后得到的特征进行非线性降维处理；采用RBM对线性降维后得到的特征进行非线性降维处理的方法为：步骤4.1：构建RBM，RBM由显层、隐层两层构成，层内无连接，层间双向连接，RBM显层神经元个数为48，对应非线性特征向量维数48，隐层神经元个数为10，对应0～9十个数字语音分类，层间连接权重初始化为正态分布，均值为零，标准差0.01的随机数，显层和隐层的偏置均初始化为0；步骤4.2：训练RBM，训练用样本批量处理，RBM的训练使用对比散度算法，采用高斯‑伯努利RBM定义能量函数：式中，θ＝{ai,bj,wij}是RBM的模型参数，ai是显层节点i的偏置，bj是隐层节点j的偏置，wij是显层节点i和隐层节点j之间的连接权值，v是显层神经元，S为显层神经元个数，h是隐层神经元，T为隐层神经元个数；RBM模型的联合概率分布为：其中，为配分函数，θ＝{a_i,b_j,w_ij}是RBM的模型参数，v是显层神经元，h是隐层神经元；RBM模型关于显层神经元节点的边缘概率分布为：其中，θ＝{ai,bj,wij}是RBM的模型参数，v是显层神经元，h是隐层神经元；RBM的模型参数使用最大似然准则通过无监督训练得到，训练的目标函数为：其中，θ＝{ai,bj,wij}是RBM的模型参数，v是显层神经元；对目标函数求偏导，可以得到权值的更新公式为：Δwij＝Edata(vihj)‑Emodel(vihj)式中，Edata(vihj)是训练集数据的显层和隐层状态的期望值，Emodel(vihj)是对所有可能的(v,h)建立模型的期望值；Δwij为权值的改变量；各参数的更新准则为：Δwij＝mΔwij+ε(data‑recon)Δbi＝mΔbi+ε(data‑recon)Δaj＝mΔaj+ε(data‑recon)其中，m是动量参数，在训练迭代前5次，m取0.9，大于第5次，取0.5，ε是学习率，取0.001，<.>recon表示一步重构后模型定义的分布；使用重构误差对RBM进行评估，重构误差就是以训练数据作为初始状态，根据RBM的分布进行一次吉布斯采样所获得的样本与原数据的差异；步骤4.3：训练完毕后保存RBM的权值和偏置值，训练后的RBM实现线性降维后得到的特征的非线性降维输出；步骤5：采用Softmax分类器实现孤立数字语音的识别分类。