基于HMM的語音分組識別系統(tǒng)的研究.pdf

1、語音識別技術，也被稱為自動語音識別(Automatic Speech Recognition，ASR)，其目標是將人類語音中的詞匯內容轉換為計算機可讀的輸入。近年來，由于電子信息和計算機互聯(lián)網(wǎng)的迅猛發(fā)展，使得語音識別技術也取得了階段性進展。隨著嵌入式產(chǎn)品功能的日益強大，基于嵌入式設備的語音識別技術成為當前的一個研究和應用熱點。一個能識別較大詞匯量、具有較好實時性、系統(tǒng)資源要求低和識別率高的語音系統(tǒng)，具有很高的實用價值和巨大的市場潛力。<

2、br>　　 論文首先對語音識別技術的歷史背景和國內外研究現(xiàn)狀進行了介紹，然后對語音識別過程中的各個環(huán)節(jié)進行理論研究和分析。在預處理過程中，對預加重、分幀、加窗、短時能量和過零率相結合的端點檢測進行分析;在特征提取過程中，闡述LPC參數(shù)、LPCC參數(shù)和MFCC參數(shù)各自的實現(xiàn)原理以及MFCC參數(shù)相對于LPCC參數(shù)和LPC參數(shù)的優(yōu)勢，解釋選擇MFCC參數(shù)的原因;在識別過程中，介紹了幾種常用的識別算法，并著重分析了隱馬爾可夫模型(HMM)的結

3、構和原理。針對孤立詞、非特定人和大詞匯量語音識別過程中，識別時間過長，計算量過大，內存占用過多，對系統(tǒng)硬件資源要求過高的缺點，提出改進的語音分組識別算法。首先，對MFCC參數(shù)采用分段均值降維方法，巧妙地避免了不同語音長度（幀數(shù)）的時間規(guī)整問題，從而確保分組具有較高穩(wěn)定性。接著，為了消除K均值聚類分組時初值選擇隨機性對分組穩(wěn)定性的影響，以及語音模板過多導致模板之間區(qū)分度下降而對分組造成困難，提出經(jīng)驗調整算法，進一步增加分組穩(wěn)定性。然后，為

4、了使分組的穩(wěn)定性有理論保證，結合數(shù)理統(tǒng)計相關知識，提出置信度檢驗算法，從數(shù)學上證明分組穩(wěn)定。最后，針對不同的分組情況，識別率和識別時間各不相同，提出最大值決策法確定哪種分組為最佳分組，從而最大限度地滿足用戶對識別率和識別時間的雙要求。
　　 為了檢驗該方法的效果，在PC機的Matlab平臺上進行測試。通過與傳統(tǒng)HMM算法以及傳統(tǒng)分組算法進行比較，對實驗數(shù)據(jù)進行分析。結果表明:改進的語音分組識別系統(tǒng)分組穩(wěn)定性很高，識別時間明顯減少