基于能量變化率的漢語塞音檢測(cè)算法

張連海，陳 斌，屈 丹，李弼程

（解放軍信息工程大學(xué) 信息工程學(xué)院，河南 鄭州450002）

1 引言

為了進(jìn)一步提高語音識(shí)別的性能，近年來，不少學(xué)者主張，建立以語音與語言學(xué)知識(shí)為基礎(chǔ)，結(jié)合統(tǒng)計(jì)模型的語音識(shí)別新框架［1］，并得到廣泛研究［2－3］。知識(shí)的準(zhǔn)確提取，是實(shí)現(xiàn)該框架的前提。這里，知識(shí)主要是指聲學(xué)單元邊界和類別信息。漢語連續(xù)語音識(shí)別中，聲韻母是常用的識(shí)別單元。目前，有關(guān)聲韻母的分類和定位取得了一定的進(jìn)展［4－5］。其中，基于Seneff聽覺模型的檢測(cè)系統(tǒng)較好地實(shí)現(xiàn)了聲韻母邊界的檢測(cè)與阻塞音定位［6］。阻擦音（塞音、摩擦音、塞擦音）作為聲母中重要的一類，其聲學(xué)特征非常不穩(wěn)定，對(duì)統(tǒng)計(jì)模型的建立帶來了較大的困難。這主要是由于阻擦音中的塞音易受說話人和上下文的影響，持續(xù)時(shí)間短，變化速率快。因此，在得到阻塞音類別的基礎(chǔ)上，進(jìn)一步將阻擦音分為塞音和非塞音是十分有必要的。

目前，對(duì)塞音的檢測(cè)主要基于爆發(fā)譜（Burst Spectrum）幅度［7］、譜峰位置［8］和形狀［9］等發(fā)音位置特性和嗓音、爆發(fā)譜起始時(shí)間［10－11］等特征，這些特征參數(shù)的提取要求較高的信噪比，且易受噪聲的影響，即使是在自然語音中，也無法準(zhǔn)確地提取。

能量變化率是區(qū)別阻塞音類別的一個(gè)很重要特征，并且具有較好的魯棒性和穩(wěn)定性，因此本文從能量變化率進(jìn)行漢語塞音的刻畫。由于語音信號(hào)具有相當(dāng)大的隨機(jī)性，即便是同一個(gè)人在不同的時(shí)刻說相同的聲韻母，時(shí)間長(zhǎng)度等特性也可能會(huì)存在較大的差別，在較小的分析時(shí)長(zhǎng)內(nèi)聲學(xué)性質(zhì)可能會(huì)有較大的變化，因此對(duì)語音信號(hào)進(jìn)行分幀處理，難以得到聲韻母整體的聲學(xué)性質(zhì)，進(jìn)而影響聲韻母類別的檢測(cè)性能。與傳統(tǒng)基于幀的聲韻母類別檢測(cè)方法不同，本文首先對(duì)語音信號(hào)進(jìn)行聲韻母邊界檢測(cè)［6］，得到聲韻母音段，然后采用基于音段（segment based）的方法提取特征參數(shù)，描述聲韻母整體的聲學(xué)特性，實(shí)現(xiàn)阻塞音中塞音的檢測(cè)，檢測(cè)系統(tǒng)圖1所示。

2 基于聽覺譜的能量變化率特征參數(shù)選取

Seneff聽覺模型［12－13］由40個(gè)臨界頻帶濾波器組成，能較好地模擬人耳對(duì)語音的聽覺處理過程，描述聽覺神經(jīng)飽和，自適應(yīng)調(diào)適，掩蔽，對(duì)電流感應(yīng)的單向性，易受低頻周期信號(hào)激發(fā)等特性。Seneff聽覺感知模型的輸出稱為Seneff聽覺譜，它由兩部分組成：包絡(luò)響應(yīng)（Envelope Detector）ED 和同步響應(yīng)（Generalize Synchrony Detector）GSD，ED 凸顯語音信號(hào)能量的變化情況，GSD 則突出共振峰結(jié)構(gòu)。因此Seneff聽覺譜能夠較好地描述語音的能量分布特性和共振峰結(jié)構(gòu)。由于GSD的計(jì)算是通過對(duì)每個(gè)通道的GSDi求平均得到的，因此會(huì)導(dǎo)致頻域分辨率降低，同時(shí)出現(xiàn)偽峰值。為了避免GSD中的直接求平均，增強(qiáng)共振峰提取的可靠性，Ali［14－15］提出了平均局部同步輸出（Average Localize Synchrony Detector）ALSD。

研究發(fā)現(xiàn)，阻塞音聲學(xué)性質(zhì)的差異主要是由其不同的發(fā)音過程造成的。本文利用這種差異性特征進(jìn)行塞音的檢測(cè)分類，這種特征是指能量變化率及其衍生特征，具體包括音段持續(xù)時(shí)間、能量最大變化位置、譜峰位置、相對(duì)譜幅度等。

塞音發(fā)音方法是聲道某處先閉合，氣壓升高，然后再迅速放開，瞬間釋放能量，一般來說這一發(fā)音過程會(huì)比非塞音短，這里采用歸一化音段持續(xù)時(shí)間（Normalized Duration）NDura對(duì)塞音的這一特性進(jìn)行刻畫。NDura為音段持續(xù)時(shí)間與句子中最大音段持續(xù)時(shí)間MaxDura的比值，其中音段持續(xù)時(shí)間為邊界檢測(cè)結(jié)束點(diǎn)end與起始點(diǎn)start之差，即式（1）：

塞音發(fā)音過程中具有氣流瞬間釋放的特點(diǎn)，因此能量變化率大，塞擦音雖然也會(huì)有類似的發(fā)音方式，但其后段能量緩慢釋放，所以能量變化率相對(duì)會(huì)變小，而摩擦音的能量釋放更加緩慢，因此能量變化率參數(shù)是依次減小的。本文采用全頻帶歸一化ALSD變化率最大值MaxNARALSD（Maximum Normalized All－Band ALSD Change Rate），全頻帶歸一化ED變化率最大值MaxNARED（Maximum Normalized All－Band ED Change Rate）突出這一特性。由于基于Seneff聽覺模型ALSD和ED輸出的特征有類似的表達(dá)式，以下只給出基于ALSD的特征求解式，如式（2）～（3）所示。

式中i＝1，…，40為聽覺模型通道值，n＝1，…，N為每一通道的輸出。

由于塞音的能量變化率較快，因此其最大譜斜率位置（Maximum Normalized Spectral Slope Place，MSP）一般來說會(huì)位于最前段，而塞擦音與摩擦音能量緩慢變化，故其最大變化率大都發(fā)生在中間段與最后段。在前面求得的全頻帶歸一化ALSD、ED的基礎(chǔ)上，確定出最大變化率位置MSPALSD、MSPED，即式（4）：

由于塞音能量急劇釋放，故其頻譜峰值含有較多的高頻成分，譜峰位置主要會(huì)位于高頻，因此塞音音段譜峰位置平均值會(huì)較大。而非塞音段能量釋放緩慢，因此頻譜成分中含有較多的低頻成分，有較多的譜峰位置會(huì)位于低頻，在整個(gè)發(fā)音持續(xù)過程中譜峰位置平均值會(huì)比較小，采用音段ALSD、ED平均最大頻譜峰位置（Average Largest Spectral Peak Location，AvLSPL）AvLSPLALSD、AvLSPLED特征可以區(qū)分出塞音與非塞音，計(jì)算方法見式（5）。

其中N為音段長(zhǎng)度，LSPLALSD為ALSD的最大頻譜峰值位置

相對(duì)譜幅度（Relative Amplitude）能夠較好地區(qū)分發(fā)音位置和不同的阻塞音類別，并且具有較好的穩(wěn)定性和可靠性。相對(duì)譜幅度結(jié)合描述譜平坦度的參數(shù)，能更好地實(shí)現(xiàn)阻塞音分類，這里采用上述ALSD、ED變化率最大值MaxNARALSD、MaxNARED描述平坦度。為了更好地描述發(fā)音過程，本文分0－4K和4K－8K兩個(gè)子帶求得相對(duì)譜幅度，對(duì)應(yīng)高、低子帶的ALSD和ED相對(duì)譜幅度值記為HRAALSD，LRAALSD和HRAED，LRAED，計(jì)算方法見式（7）～（8）。

式中SALSD，VALSD分別表示塞音音段ALSD值和相鄰的韻母音段ALSD值。

3 基于特征變換的KNN塞音檢測(cè)

為了盡可能地減少數(shù)據(jù)量，去除特征之間的冗余，增大類之間的區(qū)分性，常需要對(duì)特征進(jìn)行變換。PCA和LDA是目前常用的兩種特征變換方法，并且能取得較好的效果，PCA特征變換能盡可能的去除特征冗余性，LDA特征變換能增大類間的區(qū)分性。由于KNN分類器復(fù)雜度較低，要求的數(shù)據(jù)量較少，同時(shí)能得到較好的分類效果，因此本文將結(jié)合兩種特征變換的優(yōu)點(diǎn)，采用KNN分類器實(shí)現(xiàn)塞音的檢測(cè)。

3.1 基于PCA的特征變換

主成分分析（PCA）是通過K－L變換將訓(xùn)練樣本數(shù)據(jù)變換到彼此正交互不相關(guān)特征，本質(zhì)是將高維空間的數(shù)據(jù)投影到低維空間的過程。主成分分析的最優(yōu)投影矢量集等價(jià)于通過準(zhǔn)則函數(shù)式（9）得到的最優(yōu)投影矩陣：

其中，A表示PCA投影矩陣，St為總體散度矩陣（即總體協(xié)方差矩陣）。最優(yōu)的PCA的投影矩陣APCA可以通過?Jp（A）／?A＝0獲得，即APCA的列向量為特征方程StA＝λA的d個(gè)最大的特征值所對(duì)應(yīng)的標(biāo)準(zhǔn)正交特征向量a1，a2，…，ad。其中特征向量滿足條件：Staj＝λjajj＝1，…，d，λ1≥ … ≥λd

3.2 基于LDA的特征變換

線性鑒別分析（LDA）是從高維特征空間中提取出最具有分類能力的低維特征，希望投影后的特征數(shù)據(jù)，在變換空間里類間距離盡可能的大，同時(shí)類內(nèi)距離盡可能的小。線性鑒別分析旨在通過最優(yōu)化準(zhǔn)則函數(shù)式（10）找到一個(gè)最優(yōu)的投影矩陣：

事實(shí)上，線性鑒別分析的最優(yōu)投影矩陣ALDA的列向量，一般取為廣義特征方程SbU＝λSwU的d個(gè)最大特征值所對(duì)應(yīng)的特征向量u1，u2，…，ud。其中特征向量滿足條件：Sbuj＝λjSwujj＝1，…，d；λ1≥…≥λd，Sw為類內(nèi)散度矩陣，Sb為類間散度矩陣。

3.3 基于Fisherface的特征變換

PCA是保持樣本總體離散度最大的一種特征變換方法，但是由于變換過程沒有引入分類信息，當(dāng)以最小距離為準(zhǔn)則進(jìn)行識(shí)別時(shí)，并不能保證分類錯(cuò)誤最小。LDA能保證較大的類間距離和較小的類內(nèi)距離，提供了一個(gè)增大類間特征區(qū)分性的有效方法，但在實(shí)際應(yīng)用中需要較多的數(shù)據(jù)樣本。當(dāng)數(shù)據(jù)樣本比較小時(shí)，會(huì)使得類內(nèi)散度矩陣奇異，將不能直接應(yīng)用相應(yīng)的鑒別準(zhǔn)則。為了結(jié)合兩種變換的優(yōu)點(diǎn)，同時(shí)解決因塞音檢測(cè)數(shù)據(jù)樣本比較小，而使類內(nèi)散度矩陣不可求逆的情況，這里采用Fisherface［16］方法的PCA＋LDA組合方法進(jìn)行特征變換。該方法將Fisher最優(yōu)鑒別特征的變換過程分為兩步：第1步，作K－L變換Y＝PTX 將高維的原始樣本壓縮，其中，P為通過K－L變換得到的主分量投影矩陣；第2步，在變換空間內(nèi)，利用線性鑒別分析進(jìn)行特征變換。類間散度矩陣、類內(nèi)散度矩陣和總體散度矩陣分別表示為為正定陣，最優(yōu)準(zhǔn)則函數(shù)重新定義為基于新的準(zhǔn)則函數(shù)可以得到最優(yōu)的投影矩陣。

3.4 基于KNN的分類算法

為了減少對(duì)訓(xùn)練數(shù)據(jù)量的要求，本文采用KNN（K Nearest Neighbor）進(jìn)行分類，采用歐氏距離度量樣本間的距離，KNN的基本思想是在與測(cè)試樣本x距離最小的K個(gè)樣本中，按出現(xiàn)最多的樣本類別來作為x的類別。判決準(zhǔn)則為：如果gj（x）＝則x∈wj，其中ki為樣本中屬于第i類的個(gè)數(shù)，wj為第j個(gè)類別。理論證明，K近鄰分類錯(cuò)誤率為P＊e≤P≤2P＊e。K近鄰分類錯(cuò)誤率P在貝葉斯錯(cuò)誤率P＊e和兩倍貝葉斯錯(cuò)誤率2P＊e之間，加上K近鄰法方法簡(jiǎn)單、算法較為穩(wěn)定、魯棒性較好，使它成為模式識(shí)別的重要方法之一。影響KNN算法性能的兩個(gè)重要因素是最近樣本的數(shù)目（K）和距離的測(cè)度。

4 實(shí)驗(yàn)及結(jié)果分析

4.1 實(shí)驗(yàn)語料

隨機(jī)從863語料庫中截取511段連續(xù)語流作為實(shí)驗(yàn)語料，摩擦音與塞擦音各2 170個(gè)，塞音4 340個(gè)，語音的采樣頻率為16KHz，量化精度16bit，人工進(jìn)行語料的阻塞音類別和邊界的標(biāo)注。對(duì)檢測(cè)結(jié)果的評(píng)估采用語音識(shí)別的評(píng)估方式進(jìn)行。實(shí)際檢測(cè)單元的總數(shù)記為N，正確檢測(cè)單元的總數(shù)記為H，刪除錯(cuò)誤的總數(shù)記為D，插入錯(cuò)誤的總數(shù)記為I。正確率和準(zhǔn)確率定義如式（11）～（12）［17］

4.2 實(shí)驗(yàn)結(jié)果

將本文提出的11維特征參數(shù)｛NDura，Max－NARALSD，MaxNARED，MSPALSD，MSPED，AvLSPLALSD，AvLSPLED，HRAALSD，HRAED，LRAALSD，LRAED｝進(jìn)行Fisherface變換，得到變換后的7維特征參數(shù)輸入到KNN分類器。KNN分類器中K值的選取對(duì)分類準(zhǔn)確率有較大的影響，不同的K值對(duì)數(shù)據(jù)量和計(jì)算量的要求也不同。為了選取合適的K值，本文對(duì)不同的K值對(duì)性能的影響進(jìn)行討論，摩擦音、塞擦音分別取100個(gè)數(shù)據(jù)，塞音取200個(gè)數(shù)據(jù)用來訓(xùn)練，其余的用來測(cè)試。

圖2 分類準(zhǔn)確率與K值的關(guān)系圖

由圖2可知準(zhǔn)確率隨著K值增大而提高，當(dāng)K取值小于7時(shí)，分類準(zhǔn)確率會(huì)有較大的提高，而當(dāng)K大于7時(shí)，分類準(zhǔn)確率提高得不明顯，同時(shí)需要較多的數(shù)據(jù)量。因此本文K取值為7，下面討論一下不同的特征變換方法與數(shù)據(jù)量的關(guān)系。測(cè)試數(shù)據(jù)為4 140個(gè)塞音，摩擦音、塞擦音數(shù)據(jù)為2 070個(gè)，訓(xùn)練數(shù)據(jù)分別為塞音60、70、80個(gè)，摩擦音與塞擦音為30、35、40個(gè)。

表1準(zhǔn)確率和特征變換方法與數(shù)據(jù)量的關(guān)系

從表1中可以看出，隨著訓(xùn)練樣本數(shù)的增加，F(xiàn)isherface和LDA算法的準(zhǔn)確率有了顯著增加，PCA算法的準(zhǔn)確率較為穩(wěn)定，沒有明顯的變化。在數(shù)據(jù)量充足的條件下Fisherface算法要優(yōu)于PCA和LDA算法。由于PCA算法主要描述原始模式特征，因此訓(xùn)練樣本數(shù)對(duì)其檢測(cè)效果影響不大，而LDA算法主要反映不同類之間的差異，在很大程度上丟棄了與分類無關(guān)的信息，因此訓(xùn)練樣本數(shù)對(duì)其檢測(cè)效果有較大的影響。當(dāng)訓(xùn)練樣本數(shù)較少時(shí)，會(huì)導(dǎo)致模式類別信息不夠，使得檢測(cè)效果不佳。LDA算法中，模式類別信息隨著每類樣本數(shù)的增加而增加，檢測(cè)準(zhǔn)確率也會(huì)有顯著的提高。當(dāng)樣本數(shù)為80時(shí)，F(xiàn)isherface算法的準(zhǔn)確率達(dá)到96.32%，表明PCA與LDA算法的結(jié)合可以得到較好的塞音檢測(cè)效果。

為了驗(yàn)證所提參數(shù)的有效性和塞音的檢測(cè)性能，對(duì)采用爆發(fā)譜特征［8］、MFCC特征和本文基于能量變化率特征（Energy Change Rate，ECR）的塞音檢測(cè)準(zhǔn)確率進(jìn)行比較。其中文獻(xiàn)［8］采用的是二維倒譜 系 數(shù) （two－dimensional cepstral coefficient，TDCC）進(jìn)行爆發(fā)譜特征的提取，即將相鄰的幾幀聯(lián)合起來進(jìn)行二維離散余弦變換（2D－DCT），可以得到圖3所示的M×NTDCC參數(shù)矩陣，選取前L個(gè)系數(shù)，文中聯(lián)合的相鄰幀數(shù)M ＝10，頻率最大值N＝7 500 Hz，L＝10，降維前TDCC維數(shù)為L(zhǎng)（L＋1）／2＋1＝65。MFCC是經(jīng)典的塞音檢測(cè)特征參數(shù)，MFCC參數(shù)包含一階、二階差分系數(shù)共39維，經(jīng)過降維后TDCC和MFCC參數(shù)分別為33和57維。訓(xùn)練數(shù)據(jù)為200個(gè)，其余的用來測(cè)試，圖3為采用不同特征塞音的檢測(cè)性能，分別采用爆發(fā)譜特征（TDCC）、MFCC、本文特征參數(shù)ECR，以及特征參數(shù)的組合，采用KNN分類器。

圖3 M×NTDCC矩陣

圖4 不同方法的檢測(cè)性能

由圖4可知基于所提特征的塞音檢測(cè)準(zhǔn)確率高于基于爆發(fā)譜特征和MFCC特征的準(zhǔn)確率，說明所提特征參數(shù)具有較好的區(qū)分性和穩(wěn)定性，能較好地保證塞音檢測(cè)準(zhǔn)確率。其中基于MFCC特征的檢測(cè)率較低，這主要是由于MFCC比較適合于描述聲學(xué)性質(zhì)較穩(wěn)定的聲韻母類別如元音韻母等，而難以描述變化較為劇烈的塞音，因此會(huì)使得塞音的檢測(cè)性能不高。爆發(fā)譜特征結(jié)合MFCC特征塞音檢測(cè)性能會(huì)略有提升，但此時(shí)特征參數(shù)的維數(shù)較高，搜索空間較大。塞音與塞擦音在發(fā)音過程中都存在氣流爆發(fā)（burst）的發(fā)音行為，根據(jù)爆發(fā)譜特征會(huì)有較多的插入錯(cuò)誤，并且爆發(fā)譜較不穩(wěn)定，都會(huì)影響塞音檢測(cè)的準(zhǔn)確率。通過對(duì)本文塞音檢測(cè)結(jié)果進(jìn)行觀察可知，本文算法中錯(cuò)誤主要是摩擦音／h／引起的，這是由于／h／音發(fā)音能量微弱，聲學(xué)性質(zhì)很不穩(wěn)定，持續(xù)時(shí)間變化范圍很大，易受后接韻母的影響。與不送氣塞音相比，送氣塞音能量變化量大，有非常高的檢測(cè)準(zhǔn)確率。同時(shí)通過Fisherface方法的特征變換，可以有效地降低特征空間的維數(shù)，減小KNN在高維空間中搜索最近鄰的復(fù)雜度，提高塞音檢測(cè)的效率。

為了進(jìn)一步驗(yàn)證塞音檢測(cè)算法的抗噪聲性能，對(duì)本文確立的塞音檢測(cè)方法進(jìn)行魯棒性測(cè)試，表2為測(cè)試結(jié)果。

表2 塞音檢測(cè)魯棒性測(cè)試結(jié)果

由表2可知，在信噪比為10dB的環(huán)境下，本文算法的準(zhǔn)確率仍能達(dá)到88.07%，說明本文塞音檢測(cè)算法具有較好的魯棒性。這是由于Seneff聽覺譜本身具有較好的抗噪聲性能，且基于能量變化率的發(fā)音特征參數(shù)具有較好的穩(wěn)定性，因此能較好地保證檢測(cè)性能。

4.3 模型的交叉驗(yàn)證

由于本文的測(cè)試和訓(xùn)練樣本數(shù)相對(duì)較少，為了驗(yàn)證本文所選用參數(shù)和分類方法的有效性，基于上述實(shí)驗(yàn)語料，本文進(jìn)一步采用留一法［18］（Leave－One－Out）對(duì)分類性能和泛化性能進(jìn)行測(cè)試。留一法的基本思想為對(duì)于一個(gè)樣本總數(shù)為N的集合，每次選取一個(gè)樣本作為測(cè)試集，其余N－1為訓(xùn)練集，重復(fù)N次。為了減小計(jì)算量，本文將塞音和非塞音各分為20份，每次選取1份作為測(cè)試集，其余19份作為訓(xùn)練集。根據(jù)交互驗(yàn)證均方根（RMSEVC）和預(yù)測(cè)均方根（RMSEP）進(jìn)行分類性能的評(píng)價(jià)，RMSEVC和RMSEP數(shù)值越小，模型性能越好。

其中ci是實(shí)際值，i是測(cè)試值，n是訓(xùn)練集樣本數(shù)，m是測(cè)試集樣本數(shù)。本文將ci與i二值化取值為0或1，即將塞音標(biāo)為0，非塞音標(biāo)為1。表3為不同分類方法的交叉驗(yàn)證結(jié)果。

表3 不同的分類方法交叉驗(yàn)證結(jié)果

由表3可知，由于本文算法對(duì)特征變換中可能存在的問題進(jìn)行了考慮和改進(jìn)，模型具有較好的穩(wěn)定性和泛化性能，因此本文所采用的分類器的交叉驗(yàn)證均方根和預(yù)測(cè)均方根均小于基于PCA和LDA變換的KNN分類器。經(jīng)過PCA變換與LDA變換的分類器相比，有更小的RMSEVC和更大的RMSEP，說明經(jīng)過PCA變換的分類器容易過訓(xùn)練，泛化性能較難保證，經(jīng)過LDA變換的分類器模型結(jié)構(gòu)不是很穩(wěn)定，但具有較好的泛化性能。

5 小結(jié)

本文針對(duì)爆發(fā)譜特征的不穩(wěn)定使得目前的塞音檢測(cè)性能難以提升的問題，提出了一種基于能量變化率的漢語塞音檢測(cè)方法。采用Fisherface方法對(duì)基于Seneff聽覺譜提取的描述能量變化率的特征參數(shù)進(jìn)行變換降維，增大了區(qū)分性，較好地縮小了搜索空間，提高了塞音的檢測(cè)效率和準(zhǔn)確率。通過采用留一法對(duì)該方法的性能進(jìn)行了驗(yàn)證，得知本文塞音檢測(cè)方法具有較好的泛化性能和穩(wěn)定性。文中較多錯(cuò)誤是由聲學(xué)性質(zhì)不穩(wěn)定，受前后音影響較大的摩擦音／h／引起的，因此后續(xù)的研究可以針對(duì)／h／音給檢測(cè)結(jié)果帶來的影響予以去除，同時(shí)提高送氣塞音的檢測(cè)魯棒性。

［1］Chin－Hui.Lee，F(xiàn)rom knowledge－ignorant to knowledge－rich modeling：A new speech research paradigm for next generation automatic speech recognition［C］／／Proceedings of ICSLP Keynote Speech，2004：1137－1140.

［2］Jurgen T Geiger，Mohamed Anouar Lakhal，Bjorn Schuller，Gerhard Rigoll.Learning new acoustic events in an HMM－based system using MAP adaptation［C］／／Proceedings of INTERSPEECH，2011：293－296.

［3］David Mejía－Navarrete，Ascensión Gallardo－Antolín，Carmen Peláez－Moreno.Feature Extraction Assessment for an Acoustic－Event ClassificationTask Using the Entropy Triangle［C］／／Proceedings of INTERSPEECH，2011：309－312.

［4］張寶奇，張連海，屈丹.基于聽覺事件檢測(cè)的漢語語音聲韻切分［J］.聲學(xué)學(xué)報(bào)，2010，35（6）：701－707.

［5］Almpanidis G，Kotti M，Kotropoulos，and C.，Robust Detection of Phone Boundaries Using Model Selection Criteria With Few Observations［J］，IEEE Transactions on Audio，Speech，and Language Processing，2009，17（2）：287－298.

［6］陳斌，張連海，王波，屈丹.基于Seneff聽覺譜特征的漢語連續(xù)語音聲韻母邊界檢測(cè)［J］.聲學(xué)學(xué)報(bào)，2012，37（1）：104－112.

［7］M F Dorman.Relative spectral change and formant transitions as cues to labial and alveolar place of articulation［J］.J.Acoust.Soc.Am.1996，100（6）：3825－3830.

［8］A R Jayan and P C Pandey，Detection of stop landmarks using gaussian mixture model of speech spectrum［C］／／Proceedings of ICASSP，2009：4681 4684.

［9］Chi－Yueh Lin，Hsiao－Chuan Wang.Using Burst Onset Information To Improve Stop／Affricate Phone Recognition［C］／／Proceedings of ICASSP［C］，2010：4862－4865.

［10］Prem C Pandey，Milind S Shah，Estimation of Place of Articulation During Stop Closures of Vowel Consonant Vowel Utterances，IEEE Transactions on Audio，Speech，and Language Processing，2009，17（2）：277－286.

［11］Chi－Yueh Lin，Hsiao－Chuan Wang.Mandarin Stops Classification Based On Random Forest Approach［C］／／Proceedings of ISCSLP 2008：1－4.

［12］Stephanie Seneff，A joint synchrony／mean－rate model of auditory speech processing［J］，Journal of Phonetics，1988，16：55－76.

［13］Stephanie Seneff，Pitch and Spectral Analysis of Speech Based on an Auditory Synchrony Model［M］，Cambridge，Massachusetts Institute of Technology，1985.

［14］Ahmed M.Abdelatty Ali，Jan Van der Spiegel，Paul Mueller，Robust Auditory－Based Speech Processing Using the Average Localized Synchrony Detection［J］，IEEE Transaction on Signal and Audio Processing，2001，10：279－292.

［15］Ahmed M.Abdelatty Ali，Jan Van der Spiegel，Paul MuellerAcoustic Phonetic Features for the Automatic Classification of Stop Consonants，IEEE Transactions on Audio，Speech，and Language Processing，2001，9（8）：833－841.

［16］Yang J，Yang J Y.Why can LDA be performed in PCA transformed space［J］.Pattern Recognition，2003，36（2）：563－566.

［17］Steve Young.The HTK Book（for HTK Version 3.4）.Cambridge University Engineering Department，2006：289.

［18］Richard O.Duda，Peter E.Hart David G.Stork著，李宏東，姚天翔等譯.模式分類［M］.北京：機(jī)械工業(yè)出版社，2009.