基于ARM-Linux的抗噪聲語音識別技術研究.pdf

1、語音識別技術是集聲學、語音學、語言學、計算機、信息處理和人工智能等諸領域的一項綜合技術，應用需求十分廣闊，長期以來一直是人們研究的熱點。到目前為止，語音識別研究大部分以線性系統(tǒng)理論為基礎，主要應用隱馬爾可夫模型(Hidden Markov Model，HMM)與動態(tài)時間規(guī)整(Dynamic Time Warping，DTW)技術實現(xiàn)語音識別。隨著研究的逐步深入，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。近年來，隨著人工神經(jīng)網(wǎng)絡(

2、Artificial Neural Networks，ANN)，混沌、分形等非線性理論研究和應用的日新月異，將這些理論應用于語音別成為可能。 本文對現(xiàn)有的語音識別技術發(fā)展現(xiàn)狀進行了分析，介紹了語音識別的基本理論，包括語音信號的預處理、計算聽覺場景分析(Computational Auditory SceneAnalysis，CASA)和特征參數(shù)提取。根據(jù)計算聽覺場景分析的基本原理，針對本文設計所應用的場合，改進了計算聽覺場景的結(jié)

3、構(gòu)，優(yōu)化了其算法，并詳細討論了計算聽覺場景在語音識別的前端應用，很好的分離了語音采集前端的混疊語音，提高了算法的抗噪聲能力。 文中還闡述了語音特征參數(shù)的提取算法，比較了線性預測編碼倒譜(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，詳細論述了Mel頻率倒譜系數(shù)的提取方法和運算步驟

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