基于HMM與PNN的孤立詞語(yǔ)音識(shí)別研究.pdf

1、語(yǔ)音識(shí)別是一門(mén)內(nèi)涵豐富、應(yīng)用廣泛的技術(shù)，它的實(shí)用性和趣味性使得人們對(duì)它有著迫切的應(yīng)用需求。語(yǔ)音識(shí)別正在辦公或商業(yè)系統(tǒng)的數(shù)據(jù)庫(kù)語(yǔ)音查詢、工業(yè)生產(chǎn)部門(mén)的語(yǔ)聲控制、電話與電信系統(tǒng)的自動(dòng)撥號(hào)以及醫(yī)療和衛(wèi)生等領(lǐng)域發(fā)揮重要的作用，并且極有可能成為下一代操作系統(tǒng)和應(yīng)用程序的用戶界面。隨著嵌入式設(shè)備的不斷發(fā)展，終端設(shè)備的體積越來(lái)越小，操作要求更加簡(jiǎn)便。而利用孤立詞語(yǔ)音識(shí)別系統(tǒng)來(lái)進(jìn)行操作命令的語(yǔ)音輸入則是一個(gè)十分理想的人機(jī)接口方式，應(yīng)用前景非常廣闊。

2、r>　　 本文介紹了語(yǔ)音識(shí)別的發(fā)展歷程，論述了語(yǔ)音識(shí)別的基本原理，包括預(yù)處理、端點(diǎn)檢測(cè)和特征參數(shù)提取，論述了特征參數(shù)中線性預(yù)測(cè)倒譜系數(shù)(LPCC)和Mel倒譜系數(shù)(MFCC)。在特征參數(shù)提取中，將基于聽(tīng)覺(jué)模型的與基于發(fā)聲模型的LPCC特征參數(shù)進(jìn)行分析比較后，選用了MFCC特征參數(shù)。隨后介紹了目前應(yīng)用比較廣泛的HMM模型以及人工神經(jīng)網(wǎng)絡(luò)的基本原理，簡(jiǎn)述了兩者的基本算法，深入探討了HMM模型和神經(jīng)網(wǎng)絡(luò)在實(shí)際的語(yǔ)音識(shí)別系統(tǒng)中的具體應(yīng)用。

3、r>　　 為取HMM和人工神經(jīng)網(wǎng)絡(luò)這兩種模型各自的優(yōu)異特性，在本文研究的語(yǔ)音識(shí)別模型中，采用它們的混合模型，提出了一種新的結(jié)合方式：即利用Viterbi算法產(chǎn)生HMM的最佳狀態(tài)序列的輸出概率，輸入概率神經(jīng)網(wǎng)絡(luò)后進(jìn)行識(shí)別。充分利用了CDHMM的時(shí)域建模和概率神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性分類能力，同時(shí)充分考慮了孤立詞語(yǔ)音的類間特性。由于響應(yīng)時(shí)間快，計(jì)算復(fù)雜度低，要求的存儲(chǔ)空間也較低，這種混合模型也更適合于在ARM，DSP等嵌入式設(shè)備中應(yīng)用，以滿足