基于HMM與小波神經(jīng)網(wǎng)絡(luò)的語音識別系統(tǒng)研究.pdf

1、語音識別由于其重要的理論價值與廣闊的應(yīng)用前景，受到人們的廣泛重視。目前，語音識別研究大部分以線性系統(tǒng)理論為基礎(chǔ)，主要應(yīng)用隱馬爾可夫模型(HMM)與動態(tài)時間規(guī)整(DTW)等技術(shù)。由于語音是一個復雜的非線性過程，基于線性系統(tǒng)理論的語音識別方法的局限性越來越凸顯，必須引入非線性理論和方法。本文分別針對語音識別預處理、特征參數(shù)提取和識別等幾個方面進行了研究。 1.研究了基于線性預測美爾倒譜系數(shù)(LPMCC)與美爾頻率倒譜系數(shù)(MFCC)

2、組合的語音信號特征參數(shù)提取方法。實驗表明，在不同信噪比的情況下，該方法較其他特征參數(shù)提取方法具有更高的識別率。 2.針對語音信號預處理階段，在噪聲背景下直接進行端點檢測和特征參數(shù)提取易對語音識別結(jié)果造成偏差的問題，研究了具有尺度自適應(yīng)的改進小波閾值函數(shù)去噪算法。實驗表明，該方法能有效地去除噪聲，同時重構(gòu)信號能較好地表示原始語音。 3.綜合利用隱馬爾可夫模型(HMM)能夠有效提取時序特征和小波神經(jīng)網(wǎng)絡(luò)(WNN)能進行細分類

3、的特點，將HMM與小波神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，研究了基于HMM與小波神經(jīng)網(wǎng)絡(luò)的語音識別方法。通過實驗表明該方法在不同信噪比下較傳統(tǒng)HMM識別率更高，在低信噪比的情況下效果更為明顯。其中在小波神經(jīng)網(wǎng)絡(luò)的學習算法方面，引入PID控制原理，提出了一種基于梯度PID的小波神經(jīng)網(wǎng)絡(luò)訓練算法，實驗表明該訓練方法較傳統(tǒng)的梯度算法收斂速度更快。 4.以實際機器人AS-R系統(tǒng)為平臺，開發(fā)了機器人語音控制系統(tǒng)，主要包括語音識別、無線網(wǎng)絡(luò)通信和機器人運動