噪音环境下汉语连续数字的语音识别

论文摘要

目前的语音识别系统对纯净语音可以达到非常高的识别精度,但是环境噪声给语音识别系统造成很大的影响,导致识别器的性能急剧下降。因此抗噪问题是语音识别真正达到实用必须解决的关键问题。首先,对语音端点检测的传统方法进行了改进:采用语音信号的短时能量和过零率结合,并根据实验结果合理的设置了门限和判定方法。在强噪音环境下,提出了结合谱减算法的新的端点检测算法。其次,阐述现阶段常用去噪方法:二项式加权、维纳滤波、谱减法等。针对谱减法存在的三大问题,提出解决方案,并结合新的端点检测算法和MFCC,提出了二次去噪算法。比较各种方法的识别率,发现新的算法对噪声削弱效果较好。然后,研究了HMM模型,讨论了HMM需要解决的三大经典问题及解决方法,并介绍了语言模型的重要性和局限性,以及在大词汇量的语音识别中如何使用N元语言模型。最后,基于以上的分析结果,在matlab7.0实验环境下,对比四种去噪方法对孤立数字识别率的影响。在此基础上,构建了一个基于HTK的不定长汉语连续数字的语音识别系统,并采用四种方式进行去噪,比较识别率,从而证实了新的去噪算法具有一定的价值。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 语音识别的国内外发展概况
• 1.3 语音识别的难点
• 1.4 语音识别系统的分类
• 1.5 连续语音识别的意义
• 第二章 语音识别的基本原理
• 2.1 语音识别的过程
• 2.2 语音信号分析
• 2.2.1 语音信号的预处理
• 2.2.2 语音信号的时域分析
• 2.2.3 端点检测的方法
• 2.3 特征提取
• 2.3.1 LPCC 特征提取方法
• 2.3.2 MFCC 特征提取方法
• 第三章 语音增强
• 3.1 语音增强的依据
• 3.1.1 语音特性
• 3.1.2 噪声特性
• 3.2 语音增强算法
• 3.2.1 谱减法
• 3.2.2 倒谱系数后置滤波
• 3.2.3 倒谱系数加权
• 3.2.4 维纳滤波
• 3.2.5 二次去噪算法
• 第四章 隐马尔可夫模型（HMM）
• 4.1 语音识别系统中的声学模型
• 4.1.1 声学模型在语音识别系统中的作用
• 4.2 语音识别中的声学建模技术
• 4.2.1 HMM 模型框架
• 4.3 HMM 的基本问题及解决
• 4.4 HMM 的局限
• 4.5 上下文相关的声学建模技术
• 第五章 基于MATLAB 和HTK 的语音识别实验与分析
• 5.1 基于MATLAB 的前期处理
• 5.2 基于HTK 的连续数字的语音识别
• 5.3 HTK 工具箱介绍
• 5.4 系统组成
• 5.5 实验结果分析
• 第六章 总结与工作展望
• 参考文献
• 成果目录
• 致谢