4 实验和结果

语音识别系统将在 MATLAB 环境中进行仿真。我们收集50名志愿者的语音数据样本作为语音数据库。每名志愿者读两段内容，记录时间是 2s，第一段作为语音训练样本，第二段语音作为测试样本，通过Volterra自适应模型获得每个语音样本的特征参数。输出语音特征基于HMM 进行训练，测试文件中的语音数据将用于评估通过训练的HMM 的匹配程度，新提出的特征用于评估基于HMM的语音识别系统。LPCC功能将作为比较功能，另一个影响因素是 WPD 的水平。在提取LPCC特征之前，原始信号将由WPD和小波包进行重构处理。本文中Volterra自适应滤波器的参数作为语音识别系统的特征，我们在干净的信号中添加 10dB 的嘈杂噪声来评估系统的抗噪声性能。语音识别系统的性能指标是匹配度，是由HMM 的维特比算法得到的概率。

语音识别实验的结果如表1所示。无论是在理想环境中还是嘈杂环境中， WPD Volterra 功能的结果始终优于上述条件下的LPCC功能。当小波包级别为6时，使用LPCC或 Volterra 模型识别语音，语音识别准确率最高。

表1 基于HMM的语音识别率Table 1 HMM-based speech recognition rate