《表2 设定先验环境噪声为10 s时，在SD2002和AISHELL-1下传统VTS方法、VTS-M和VTS-M-N方法在混有不同信噪比的3种噪声下的正确识别率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《具有环境自学习机制的鲁棒说话人识别算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

将提出的方法应用到模型域，可以得到改进的模型域VTS方法（Vector Taylor Series-Model Improved，VTS-M）。从表2可以发现，VTS-M相比于特征域方法VTS-F，在低SNR下识别率有了进一步提高，但在高SNR下的下降更为明显。这是因为VTS-F方法中只用了噪声模型的均值进行MMSE估计得到干净的特征，而VTS-M方法分别使用了噪声模型的均值和方差对纯净说话人模型进行调整。当SNR比较高时，VTS-M方法由噪声模型不精确带来的影响更大。同样，当SNR比较低时，VTS-M方法补偿的效果更好。为了补偿VTS-M方法在高SNR下的识别率急剧下降的问题，本文使用了一种自适应方法对VTS-M方法进行调整，得到了新的改进的模型域VTS方法（VTS-M-N）。