基于改进训练算法的HMM语音识别技术研究

论文摘要

语音识别技术经过50多年的发展,已经在社会生活中得到了广泛的应用。在语音识别技术的发展历程上形成了各种理论和方法,如矢量量化、隐马尔科夫模型、神经网络等,隐马尔科夫模型的贡献让语音识别扩展到大词汇量、非特定人、连续语音识别。然而,隐马尔科夫模型训练算法存在容易陷入局部最优解的缺陷,随着智能算法的深入研究,智能语音识别技术成为当前研究的热点。语音信号的分析和处理是语音识别的前提和基础。本文首先论述了语音产生的机理、语音的特征、语音的数学模型,介绍了语音信号的预处理方法；总结了端点检测的常规方法和各种改进的方法；阐述了用于语音特征压缩和编码的矢量量化方法,给出了码本设计LBG算法的具体步骤。在此基础上,系统回顾了HMM的基本思想,HMM的前向后向算法、viterbi算法、BaumWelch算法。并结合现代人工智能算法的研究成果,融合克隆选择算法和基因克隆技术,提出了一种改进的BaumWelch算法,即基因克隆的BaumWelch算法(简称GCBW算法),该算法优化隐马尔科夫模型的参数B,以解决BaumWelch算法容易陷入局部最优解的问题。TIMIT语音库的实验表明：GCBW算法最终输出概率对数比BW算法平均提高3.67%,4状态和5状态测试集上的语音识别率平均提高1.49%和2.64%。本文还在Matlab实验平台上开发了语音识别原型系统,应用该系统的特定人在线语音识别实验,进一步验证了GCBW算法的可行性和有效性。该仿真系统为模型参数分析和算法改进设计提供了方便,也为以后的学习者提供了较好的实验平台。

论文目录

• 摘要
• Abstract
• 插图索引
• 第1章 绪论
• 1.1 选题背景及课题来源
• 1.1.1 选题背景
• 1.1.2 课题来源
• 1.2 国内外研究现状
• 1.2.1 语音识别技术的研究与发展
• 1.2.2 智能算法在语音识别中的应用
• 1.3 论文研究内容
• 1.4 论文的组织与章节安排
• 第2章 语音信号的分析和处理
• 2.1 语音信号的声学基础及产生模型
• 2.1.1 语音信号的产生
• 2.1.2 语音信号的特征
• 2.1.3 语音信号产生的数学模型
• 2.2 语音信号的预处理
• 2.2.1 采样与量化
• 2.2.2 预加重
• 2.2.3 加窗分帧
• 2.3 端点检测方法
• 2.3.1 常用的端点检测方法
• 2.3.2 其它的端点检测方法
• 2.4 语音信号美尔频率倒谱系数的提取
• 2.5 矢量量化
• 2.5.1 矢量量化的基本原理
• 2.5.2 矢量量化器的码本设计
• 2.6 小结
• 第3章 隐马尔科夫模型
• 3.1 语音信号的HMM
• 3.1.1 HMM的引入
• 3.1.2 HMM的基本元素
• 3.2 HMM的基本算法
• 3.2.1 前向-后向算法
• 3.2.2 Viterbi算法
• 3.2.3 BaumWelch算法
• 3.3 HMM实现中的问题
• 3.3.1 初始模型的选取
• 3.3.2 多观察值序列
• 3.3.3 数据下溢问题
• 3.4 马尔科夫链的形状以及HMM类型
• 3.4.1 按照HMM的状态转移概率矩阵分类
• 3.4.2 按照HMM的输出概率矩阵分类
• 3.5 小结
• 第4章 模型训练算法的改进
• 4.1 引言
• 4.2 克隆选择算法
• 4.2.1 克隆选择的基本原理
• 4.2.2 克隆选择算法的实现步骤
• 4.3 基因克隆技术
• 4.3.1 基因克隆的步骤
• 4.3.2 基因克隆的B参数优化
• 4.4 基于改进克隆选择算法和BaumWelch算法的模型训练
• 4.4.1 基本原理
• 4.4.2 混合算法模型训练的实现步骤
• 4.4.3 算法分析
• 4.5 仿真实验与分析
• 4.5.1 参数B基因克隆实验
• 4.5.1.1 实验结果
• 4.5.1.2 实验分析
• 4.5.2 语音识别实验
• 4.5.2.1 数据库
• 4.5.2.2 实验参数设置
• 4.5.2.3 实验结果
• 4.5.2.4 实验分析
• 4.6 小结
• 第5章 基于Matlab的语音识别系统
• 5.1 引言
• 5.2 仿真实验平台
• 5.2.1 Matlab简介
• 5.2.2 Matlab图形用户界面
• 5.3 语音识别系统
• 5.3.1 系统功能模块
• 5.3.2 仿真实验测试
• 5.4 小结
• 结束语
• 参考文献
• 致谢
• 附录A （攻读学位期间发表的学术论文）
• 附录B （攻读学位期间参与的科研课题）