基于HMM和ANN的漢語(yǔ)語(yǔ)音非特定人識(shí)別.pdf

1、隨著現(xiàn)代計(jì)算機(jī)技術(shù)的發(fā)展，人與計(jì)算機(jī)之間的通信接口已經(jīng)不局限于鼠標(biāo)和鍵盤(pán)。越來(lái)越多的新通訊手段被引入到計(jì)算機(jī)，技術(shù)的發(fā)展讓語(yǔ)音數(shù)字處理和語(yǔ)音識(shí)別技術(shù)進(jìn)展使語(yǔ)音逐漸成為一個(gè)有效的輸入。廣大人民夢(mèng)想出現(xiàn)能直接聽(tīng)懂人的語(yǔ)言的機(jī)器，直接通過(guò)語(yǔ)音下指令，語(yǔ)音識(shí)別的技術(shù)指的是讓計(jì)算機(jī)通過(guò)對(duì)語(yǔ)音的處理和轉(zhuǎn)化，把人的語(yǔ)音溝通變成為相應(yīng)的指令或者是文字。
　　 語(yǔ)音識(shí)別技術(shù)相關(guān)領(lǐng)域的多學(xué)科研究，其中包括了聲學(xué)，語(yǔ)言學(xué)，數(shù)字信號(hào)處理，計(jì)算機(jī)科學(xué)，人

2、工神經(jīng)網(wǎng)絡(luò)在不同領(lǐng)域的研究等等為語(yǔ)音識(shí)別技術(shù)的發(fā)展作出了貢獻(xiàn)。語(yǔ)音信號(hào)自身的特點(diǎn)造成的困難，這些特點(diǎn)包括可變性，動(dòng)態(tài)，瞬時(shí)性和連續(xù)性。計(jì)算機(jī)語(yǔ)音識(shí)別處理和語(yǔ)音識(shí)別過(guò)程中基本上是相同的。目前主流的語(yǔ)音識(shí)別技術(shù)是基于統(tǒng)計(jì)模式識(shí)別的基本理論。
　　 語(yǔ)音識(shí)別技術(shù)研究現(xiàn)在的困難是確定最優(yōu)化的識(shí)別結(jié)果，以及神經(jīng)網(wǎng)絡(luò)的參數(shù)訓(xùn)練。具有大量的神經(jīng)元的人工神經(jīng)網(wǎng)絡(luò)并行分布式計(jì)算的原則，高效率的學(xué)習(xí)算法以及能夠模仿人類的認(rèn)知系統(tǒng)，所以它非常適合于解

3、決類似的語(yǔ)音識(shí)別這種問(wèn)題，對(duì)于底層和頂層均很試用。我們知道神經(jīng)網(wǎng)絡(luò)來(lái)源于對(duì)人腦功能的模擬，具有自組織性、自適應(yīng)性、和連續(xù)學(xué)習(xí)的能力。神經(jīng)網(wǎng)絡(luò)是可以訓(xùn)練的，也就是說(shuō)可以通過(guò)不斷的經(jīng)驗(yàn)訓(xùn)練來(lái)積累和改進(jìn)。加上具有并行性的特質(zhì)，神經(jīng)網(wǎng)絡(luò)具有魯棒性和快速判決的能力，適用于應(yīng)對(duì)算法不能明確描述的場(chǎng)景，但是具有不限量的學(xué)習(xí)樣本可以使用。
　　 本文研究了語(yǔ)音識(shí)別中孤立詞語(yǔ)音識(shí)別的方法和特點(diǎn)，分別對(duì)語(yǔ)音信號(hào)特征參數(shù)LPCC和MFCC的提取進(jìn)行了

4、分析，通過(guò)探討端點(diǎn)檢測(cè)對(duì)語(yǔ)音識(shí)別系統(tǒng)的影響，并結(jié)合提高語(yǔ)音識(shí)別系統(tǒng)穩(wěn)健性的方案，對(duì)傳統(tǒng)的端點(diǎn)檢測(cè)方法做了一定的改進(jìn)，采用基于MFCC的距離測(cè)量法提高了語(yǔ)音識(shí)別系統(tǒng)端點(diǎn)檢測(cè)方法的準(zhǔn)確性。基于語(yǔ)音識(shí)別中的倒譜技術(shù)，實(shí)現(xiàn)了語(yǔ)音識(shí)別中LPC、LPCC、MFCC等幾種特征參數(shù)的提取方法；分析了神經(jīng)網(wǎng)絡(luò)建模方法及其特點(diǎn)。另外還從隱馬爾可夫模型的幾個(gè)基本的步驟開(kāi)始(評(píng)估步驟、解碼步驟、訓(xùn)練步驟)入手進(jìn)行討論了其作為如何使用語(yǔ)音識(shí)別應(yīng)用主要數(shù)學(xué)模型當(dāng)前

5、的基本原理，并對(duì)這些技術(shù)在分析語(yǔ)音識(shí)別中如何應(yīng)用。最后在此理論基礎(chǔ)上，針對(duì)非特定人的漢語(yǔ)孤立詞識(shí)別問(wèn)題，研究構(gòu)造了基于HMM和神經(jīng)網(wǎng)絡(luò)建模的語(yǔ)音識(shí)別算法。該算法的意義主要在于在以隱馬爾可夫模型(HMM)為基本語(yǔ)音模型的基礎(chǔ)上，引入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行二次識(shí)別，有效的利用了隱馬爾可夫模型的強(qiáng)時(shí)序信號(hào)處理能力和BP神經(jīng)網(wǎng)絡(luò)的強(qiáng)模式分類和泛化性能，改善了孤立詞識(shí)別系統(tǒng)的抗噪性能。以往的算法主要是用傳統(tǒng)的DTW或HMM方法，該算法則將神經(jīng)網(wǎng)絡(luò)應(yīng)用于