基于HMM的非特定人孤立词语音识别

论文摘要

语音识别技术是语音信号处理的一个分支,语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的技术。语音识别研究的理论已经非常成熟,达到了很高的识别效果。我国语音识别研究工作起步于五十年代,但近年来发展很快,研究水平也从实验室逐步走向实用。然而,由于将语音识别应用于实际时,存在背景噪音、方言口音、口语等多方面的影响,一直没有取得广泛的应用。因此目前大部分产品仍局限于实验室环境,研究的热点是如何实现在线无监督的学习和多方法综合自适应学习算法,另一方面如何提高识别精度并降低系统复杂度。由于论文在语音识别方面的研究刚刚起步,且大词汇量语音识别系统需要建立词典涉及到很多语言学知识,并且需要大型语音库,因此论文主要研究了非特定人孤立词语音识别。内容包括自适应端点检测门限研究,Mel倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)各维系数对识别结果的贡献,持续时间状态的参数选取,以及隐马尔可夫(Hidden Markov Model,HMM)状态数选取,训练集大小选取等问题。论文研究了基于隐马尔可夫模型(HMM)的非特定人孤立词语音识算法。根据实际计算分析,对端点检测方法进行了设置双门限、阈值实时更新等方面的改进;计算了系统的时间复杂度,在采样速率、音节状态数、语音帧帧移的选取上进行了优化处理。通过系统的实时实验,表明优化后的语音识别系统更能够准确的将所需语音段提取出来,计算时间也有大幅度的下降,而识别率下降甚微。论文中研究的算法均在基于PC104的嵌入式系统下进行了原理样机实现,并在实验室环境下完成了实际测试和验证,具有较高的识别精度、可靠性和实时性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究的背景和意义
• 1.2 国内外发展现状
• 1.3 本文主要研究工作
• 第二章 语音信号处理基础
• 2.1 语音的波形及特性
• 2.2 语音的产生
• 2.2.1 发声器官
• 2.2.2 清音、浊音和爆破音
• 2.2.3 基音频率
• 2.2.4 共振峰
• 2.3 语音信号的简化数字模型
• 2.4 语音信号的时域分析
• 2.4.1 语音短时分析技术
• 2.4.2 短时能量和平均幅度
• 2.4.3 短时平均过零率
• 2.4.4 短时自相关函数
• 2.5 语音信号的频域分析
• 2.5.1 短时傅立叶变换的定义和物理意义
• 2.5.2 基于短时傅立叶变换的语谱图及其时频分辨率
• 2.5.3 倒谱同态处理
• 2.6 非特定人小词汇量孤立词语音识别方法概述
• 2.6.1 语音识别系统构成
• 2.6.2 孤立词语音识别系统的原理
• 第三章 语音预处理和特征提取
• 3.1 语音信号预处理
• 3.2 端点检测
• 3.2.1 短时能量法
• 3.2.2 短时过零率法
• 3.2.3 能量积法
• 3.3 特征参数提取
• 3.3.1 线性预测系数
• 3.3.2 倒谱系数
• 3.3.3 Mel特征参数
• 第四章 HMM在语音识别中的应用
• 4.1 HMM的特点
• 4.2 HMM基本原理
• 4.2.1 马尔可夫链
• 4.2.2 隐马尔可夫模型
• 4.2.3 隐马尔可夫模型的基本问题
• 4.2.4 连续HMM和半连续HMM
• 4.3 HMM模型的计算优化
• 4.3.1 多观察值序列训练
• 4.3.2 HMM溢出问题
• 4.3.3 一种新的HMM溢出问题解决方法
• 4.3.4 初始模型的选取
• 4.3.5 HMM训练
• 4.4 语音识别部分的实现
• 4.4.1 语音识别部分的总体框图
• 4.4.2 语音信号预处理
• 4.4.3 端点检测及其改进
• 4.4.4 特征参数提取
• 4.4.5 时间复杂度的分析和优化
• 4.4.6 识别实验分析
• 第五章 系统实现与结果分析
• 5.1 语音数据的采集与数据库的建立
• 5.1.1 实验硬件设备
• 5.1.2 语音数据库的建立
• 5.2 实验结果与分析
• 5.2.1 实验结果
• 5.2.2 结果分析
• 5.3 存在的问题
• 结论
• 致谢
• 参考文献
• 作者简介