在有足够的适应性数据时，基于本机的说话人适应优于传统的最大似然线性回归（MLLR）和本征语音方法。 然而，当仅提供几秒钟的适配数据时，它会遭受严重的过度拟合。 在本文中，研究了各种正则化方法以获得更健壮的依赖于说话者的本征电话矩阵估计。 逐元素的l1范数正则化（称为套索）鼓励本征电话矩阵稀疏，从而减少了有效自由参数的数量并提高了泛化能力。 平方的l2范数正则化促进估计矩阵向零方向逐元素收缩，从而减轻了过度拟合的情况。 按列的非平方l2范数正则化（称为组套索）在列级别上像套索一样起作用，从而鼓励了