基于改進(jìn)MFCC的語音識(shí)別系統(tǒng)研究及設(shè)計(jì).pdf

1、隨著信息科學(xué)和嵌入式技術(shù)的不斷發(fā)展，語音識(shí)別技術(shù)研究又上了一個(gè)新臺(tái)階。采用現(xiàn)代化手段研究語音識(shí)別技術(shù)，可以有效的幫助我們產(chǎn)生、存儲(chǔ)和獲取語音信號(hào)，這對(duì)促進(jìn)社會(huì)的發(fā)展意義深遠(yuǎn)。
　　 本文提出了一種基于改進(jìn)的梅爾頻標(biāo)倒譜參數(shù)(MFCC)算法的語音識(shí)別方法并對(duì)其嵌入式硬件進(jìn)行了設(shè)計(jì)。文中詳細(xì)介紹并實(shí)現(xiàn)了語音識(shí)別算法。在開始具體的語音識(shí)別之前，本文首先介紹了語音識(shí)別的一些短時(shí)函數(shù)，包括短時(shí)平均能量，短時(shí)平均過零率，短時(shí)自相關(guān)函數(shù)和短時(shí)

2、平均幅度差函數(shù)。這些函數(shù)為后續(xù)的語音識(shí)別算法做鋪墊。對(duì)于語音識(shí)別中端點(diǎn)檢測(cè)難的問題，考慮了語音信號(hào)中直流分量干擾和長(zhǎng)尾音誤判斷情況，提出了改進(jìn)的雙門限法。對(duì)于語音識(shí)別中基音周期檢測(cè)問題，文中提出了改進(jìn)的循環(huán)短時(shí)平均幅度差函數(shù)(AMDF)方法。為了得到最佳的語音特征參數(shù)，本文在傳統(tǒng)的MFCC的基礎(chǔ)上，改進(jìn)了其中高頻段的頻率特性，提出了改進(jìn)的MFCC方法。實(shí)驗(yàn)證明，經(jīng)過改進(jìn)的特征參數(shù)提取方法提高了語音識(shí)別率。在語音識(shí)別模型方面，文中介紹了動(dòng)

3、態(tài)時(shí)間規(guī)整模型(DTW)、隱馬爾可夫模型(HMM)和人工神經(jīng)網(wǎng)絡(luò)模型(ANN)。采用了DTW模型進(jìn)行識(shí)別，該模型算法簡(jiǎn)單，識(shí)別率高。
　　 本文對(duì)硬件的設(shè)計(jì)進(jìn)行了詳細(xì)的介紹。以三星公司的S3C2440處理器為核心，該處理器具有強(qiáng)大的硬件資源。文中給出了處理器與SDRAM、FLASH、串口、JTAG、電源、外部AD、LCD屏、發(fā)聲部分等模塊的連接電路。
　　 本文的具體識(shí)別算法在MATLAB中進(jìn)行了仿真，取得了較好的仿真效