1 引言

语音识别在理想环境中具有更高的识别率和稳定性。由于在现实场景中受不同噪声的影响，总是很难获得大量有用的训练数据。因此，研究重点应放在特征提取模型分析或语音识别模型的构建上，本文解决了特征提取中的不匹配问题。

近年来，我们已经研究了许多技术来解决噪声语音识别场景不匹配的问题。线性预测倒谱系数（LPCC）和 Mel 频率中心系数（MFCC）广泛用于特征提取^[1]，它们从不同的角度来描述语音特征。Khaled Daqrouq 提出了基于DWT和LPCC相结合的WTLPC方法，实验结果表明，基于小波变换或小波包变换的LPCC 适用于特征提取，基于小波包变换的方法具有更好的性能^[2]。但是，语音信号具有混沌特性，语音识别率没有明显提高。

为了解决这个问题，我们提出了基于小波包分解的自适应Volterra模型来提取特征。通过混沌理论可知，混沌系统对噪声信号的无序具有一定的免疫能力。传统的Volterra模型一般是二阶截断的，低阶滤波器用于估计语音信号，其预测效果不准确。通过小波包将语音信号分解为若干低阶子带信号，然后使用滤波器近似估计语音信号，获得更高精度。