孤立詞語音識別算法研究及其FPGA實(shí)現(xiàn).pdf

1、語音識別是當(dāng)前語音信號處理研究領(lǐng)域的研究熱點(diǎn)之一，具有廣泛的市場應(yīng)用前景。本文在實(shí)驗(yàn)室已有的孤立詞語音識別系統(tǒng)基礎(chǔ)之上對孤立詞語音識別中的端點(diǎn)檢測、特征提取、模型匹配等算法進(jìn)行了研究和分析。
　　語音信號的端點(diǎn)檢測是指在一段語音信號中檢測出語音的起點(diǎn)和終點(diǎn)。本文研究了兩種端點(diǎn)檢測算法，即雙門限算法和靜音檢測的VAD算法。實(shí)驗(yàn)表明，雙門限法處理后的語音，在特征參數(shù)提取階段能保留語音的動態(tài)特性，能提高識別率；但是，由于門限值是一個經(jīng)驗(yàn)

2、值，在噪聲環(huán)境中，識別率不穩(wěn)定。VAD算法在識別率的魯棒性比雙門限法好，但是它忽略了一部分能量較小的語音信息。
　　實(shí)驗(yàn)室原有的語音識別系統(tǒng)中只采用了14維基本特征MFCC參數(shù)，本文中增加了12維二階差分參數(shù)。增加二階差分參數(shù)后，識別率增加到97.44％，計(jì)算量復(fù)雜度增加30%。
　　本文探討了連續(xù)性隱馬爾科夫模型運(yùn)用于語音識別，模型中B參數(shù)由在某個狀態(tài)下觀察到特定序列的離散概率變成一個描述連續(xù)概率的矩陣。本文中觀察概率矩陣

3、由4部分組成，矩陣的維度，本文取5個狀態(tài)，每個狀態(tài)用4個維度來描述；每一維的均值；每一維的方差；每一維的權(quán)重。后三種值由K均值法訓(xùn)練得到。采用連續(xù)隱馬爾科夫模型后，訓(xùn)練的計(jì)算度增加到離散隱馬爾科夫模型的2~3倍。實(shí)驗(yàn)結(jié)果表明，在64詞匯量下，識別效率有改善，同時，識別率變化不大，原因是訓(xùn)練庫較小。
　　最后本系統(tǒng)采用FPGA實(shí)現(xiàn)孤立詞語音識別系統(tǒng)。測試結(jié)果表明，在實(shí)驗(yàn)室低噪音的環(huán)境下，平均識別率在98%以上，有效地提高了識別系統(tǒng)的