孤立詞語(yǔ)音識(shí)別算法的研究與系統(tǒng)仿真.pdf

1、與機(jī)器進(jìn)行語(yǔ)音交流，讓機(jī)器明白你說什么并做出正確的反應(yīng)從而執(zhí)行相應(yīng)的命令，這就是語(yǔ)音識(shí)別。語(yǔ)音識(shí)別技術(shù)就是讓機(jī)器通過識(shí)別和理解過程把語(yǔ)音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高技術(shù)。它主要包括特征提取技術(shù)、模式匹配準(zhǔn)則及模型訓(xùn)練技術(shù)三方面。作為一門交叉學(xué)科，它與眾多學(xué)科都有緊密聯(lián)系且被充分應(yīng)用于高科技領(lǐng)域。
　　首先，本文詳細(xì)分析了語(yǔ)音識(shí)別的研究與發(fā)展?fàn)顩r，對(duì)語(yǔ)音識(shí)別的發(fā)展歷史、存在的問題以及發(fā)展方向等方面給出了綜述，為進(jìn)一步的語(yǔ)音識(shí)別的研

2、究打下了良好基礎(chǔ)。
　　其次，對(duì)語(yǔ)音信號(hào)的預(yù)處理和特征提取問題進(jìn)行了討論。系統(tǒng)地研究了語(yǔ)音識(shí)別各種特征參數(shù)的提取方法，主要分析和研究了反映語(yǔ)音倒譜特征的線性預(yù)測(cè)倒譜系數(shù)(Linear Prediction Cepstrum Coefficient，LPCC)和美爾頻率倒譜系數(shù)(Mel FrequencyCepstrum Coefficient，MFCC)的提取方法。研究表明，MFCC參數(shù)能夠比LPCC參數(shù)更好地提高系統(tǒng)的識(shí)別性能。

3、為了反映特征參數(shù)的動(dòng)態(tài)特性，本文提出采用LPCC，MFCC一階、二階差分參數(shù)來進(jìn)行語(yǔ)音識(shí)別的方法。
　　接著，著重討論了語(yǔ)音識(shí)別中兩種經(jīng)典的識(shí)別方法——?jiǎng)討B(tài)時(shí)間規(guī)整(DynamicTime Warping，DTW)和隱馬爾可夫模型(Hidden Markov Models，HMM)及其在語(yǔ)音識(shí)別中的應(yīng)用，分別討論了各自的模型訓(xùn)練和識(shí)別的方法，具體地分析了HMM在實(shí)際應(yīng)用中的一些問題。通過一個(gè)孤立詞語(yǔ)音識(shí)別系統(tǒng)驗(yàn)證了基于HMM的語(yǔ)音

4、識(shí)別系統(tǒng)識(shí)別率高于基于DTW的語(yǔ)音識(shí)別系統(tǒng)，但HMM算法所需訓(xùn)練和識(shí)別的時(shí)間要長(zhǎng)一些。針對(duì)傳統(tǒng)HMM的缺陷，在對(duì)矢量量化(Vector Quantization，VQ)技術(shù)和HMM理論進(jìn)行系統(tǒng)深入研究的基礎(chǔ)上，提出了矢量量化-隱馬爾可夫模型(VQ-HMM)方法。理論分析和實(shí)驗(yàn)證明，該算法更簡(jiǎn)單，所需訓(xùn)練識(shí)別時(shí)間更短，并且識(shí)別率略高于傳統(tǒng)的HMM算法。
　　最后，應(yīng)用MATLAB平臺(tái)編寫程序，通過仿真實(shí)驗(yàn)對(duì)孤立詞語(yǔ)音識(shí)別系統(tǒng)的語(yǔ)音信