[论文解读] Parameters Optimization for Improving ASR Performance in Adverse Real World Noisy Environmental Conditions

Urmila Shrawankar, V. M. Thakare|arXiv (Cornell University)|Mar 22, 2013

Speech and Audio Processing参考文献 12被引用 5

一句话总结

本文提出通过优化自动语音识别（ASR）系统中的可变参数——窗口大小、帧大小和帧重叠——来提升在真实世界噪声环境下的性能。通过使用模糊推理系统（FIS），作者识别出能显著降低词错误率（WER）并提高词准确率（WAR）的最优参数配置，从而增强普适人机交互应用的鲁棒性。

ABSTRACT

From the existing research it has been observed that many techniques and methodologies are available for performing every step of Automatic Speech Recognition (ASR) system, but the performance (Minimization of Word Error Recognition-WER and Maximization of Word Accuracy Rate- WAR) of the methodology is not dependent on the only technique applied in that method. The research work indicates that, performance mainly depends on the category of the noise, the level of the noise and the variable size of the window, frame, frame overlap etc is considered in the existing methods. The main aim of the work presented in this paper is to use variable size of parameters like window size, frame size and frame overlap percentage to observe the performance of algorithms for various categories of noise with different levels and also train the system for all size of parameters and category of real world noisy environment to improve the performance of the speech recognition system. This paper presents the results of Signal-to-Noise Ratio (SNR) and Accuracy test by applying variable size of parameters. It is observed that, it is really very hard to evaluate test results and decide parameter size for ASR performance improvement for its resultant optimization. Hence, this study further suggests the feasible and optimum parameter size using Fuzzy Inference System (FIS) for enhancing resultant accuracy in adverse real world noisy environmental conditions. This work will be helpful to give discriminative training of ubiquitous ASR system for better Human Computer Interaction (HCI).

研究动机与目标

• 研究可变参数设置（窗口大小、帧大小、帧重叠）在不同真实世界噪声条件下对ASR性能的影响。
• 识别出在不同噪声类型和噪声水平下能最小化词错误率（WER）并最大化词准确率（WAR）的最优参数配置。
• 提出一种基于模糊推理系统（FIS）的自动化、自适应参数优化方法，用于噪声环境下的ASR系统。
• 通过判别式训练实现ASR系统在真实世界恶劣声学条件下的鲁棒性能。
• 通过提升噪声环境中语音识别的可靠性，增强人机交互（HCI）应用。

提出的方法

• 在多种噪声类别和信噪比（SNR）水平下，评估不同窗口大小、帧大小和帧重叠百分比对ASR性能的影响。
• 通过信噪比（SNR）和准确率测试，衡量参数变化对WER和WAR的影响。
• 设计模糊推理系统（FIS），将噪声特征和参数设置映射到最优配置，以最小化WER并最大化WAR。
• FIS利用从实证测试结果中提取的语言规则，推断给定噪声特征下的最佳参数组合。
• 系统在多样化的真实世界噪声数据上进行训练，以确保在各种环境条件下的泛化能力。
• 使用标准ASR指标（词错误率WER和词准确率WAR）验证性能。

实验结果

研究问题

• RQ1 在噪声环境中，窗口大小、帧大小和帧重叠的差异如何影响ASR性能？
• RQ2 在不同噪声类型和SNR水平下，最小化WER并最大化WAR的最优参数组合是什么？
• RQ3 模糊推理系统（FIS）能否有效确定真实世界噪声条件下的最优ASR参数？
• RQ4 与固定参数配置相比，所提出的基于FIS的优化如何提升ASR的鲁棒性？
• RQ5 参数优化在多大程度上能提升ASR在真实世界非理想声学环境中的性能？

主要发现

• 研究结果表明，ASR系统的性能波动显著受窗口大小、帧大小和帧重叠的影响，尤其是在高噪声条件下。
• 最优参数配置因噪声类别和SNR而异，表明在所有环境中不存在通用的设置。
• 模糊推理系统（FIS）成功识别出高准确率的参数组合，在恶劣条件下显著降低WER并提高WAR。
• 基于FIS的优化优于固定参数配置，在多种真实世界噪声类型中表现出更强的鲁棒性。
• 结果证实，参数调优对ASR性能至关重要，且FIS为实时优化提供了一种可行且自适应的解决方案。
• 所提出的方法支持ASR系统的判别式训练，显著提升了实际人机交互（HCI）应用中的可靠性。