基于ARM-Linux的抗噪聲語(yǔ)音識(shí)別技術(shù)研究.pdf

1、語(yǔ)音識(shí)別技術(shù)是集聲學(xué)、語(yǔ)音學(xué)、語(yǔ)言學(xué)、計(jì)算機(jī)、信息處理和人工智能等諸領(lǐng)域的一項(xiàng)綜合技術(shù)，應(yīng)用需求十分廣闊，長(zhǎng)期以來(lái)一直是人們研究的熱點(diǎn)。到目前為止，語(yǔ)音識(shí)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(Hidden Markov Model，HMM)與動(dòng)態(tài)時(shí)間規(guī)整(Dynamic Time Warping，DTW)技術(shù)實(shí)現(xiàn)語(yǔ)音識(shí)別。隨著研究的逐步深入，基于線性系統(tǒng)理論的語(yǔ)音識(shí)別方法的局限性越來(lái)越凸顯。近年來(lái)，隨著人工神經(jīng)網(wǎng)絡(luò)(

2、Artificial Neural Networks，ANN)，混沌、分形等非線性理論研究和應(yīng)用的日新月異，將這些理論應(yīng)用于語(yǔ)音別成為可能。 本文對(duì)現(xiàn)有的語(yǔ)音識(shí)別技術(shù)發(fā)展現(xiàn)狀進(jìn)行了分析，介紹了語(yǔ)音識(shí)別的基本理論，包括語(yǔ)音信號(hào)的預(yù)處理、計(jì)算聽(tīng)覺(jué)場(chǎng)景分析(Computational Auditory SceneAnalysis，CASA)和特征參數(shù)提取。根據(jù)計(jì)算聽(tīng)覺(jué)場(chǎng)景分析的基本原理，針對(duì)本文設(shè)計(jì)所應(yīng)用的場(chǎng)合，改進(jìn)了計(jì)算聽(tīng)覺(jué)場(chǎng)景的結(jié)

3、構(gòu)，優(yōu)化了其算法，并詳細(xì)討論了計(jì)算聽(tīng)覺(jué)場(chǎng)景在語(yǔ)音識(shí)別的前端應(yīng)用，很好的分離了語(yǔ)音采集前端的混疊語(yǔ)音，提高了算法的抗噪聲能力。 文中還闡述了語(yǔ)音特征參數(shù)的提取算法，比較了線性預(yù)測(cè)編碼倒譜(LinerPrediction Cepstrum Coefficient，LPCC)系數(shù)和Mel頻率倒譜系數(shù)(MelFrequency Cepstrum Coefficient，MFCC)的優(yōu)缺點(diǎn)，詳細(xì)論述了Mel頻率倒譜系數(shù)的提取方法和運(yùn)算步驟

4、。文中還研究了隱馬爾可夫模型和自組織神經(jīng)網(wǎng)絡(luò)(Self Organizing Neural Networks，SONN)的原理及其在語(yǔ)音識(shí)別中的應(yīng)用，詳細(xì)講述了HMM的原理與模型參數(shù)，分析了每個(gè)參數(shù)的提取方法，討論解決了HMM的三個(gè)基本問(wèn)題；講述了人工神經(jīng)網(wǎng)絡(luò)的基本概念，BP網(wǎng)絡(luò)和自組織神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法，并且分析比較了它們的識(shí)別特性與應(yīng)用特點(diǎn)，提出了基于CDHMM和SONN的混合模型原理及算法，并加入到SONN分類器進(jìn)行語(yǔ)音識(shí)別。