语音识别系统中声学层模型的研究

论文摘要

随着近代计算机技术的飞速发展,孤立词语音识别系统已经取得了较高的识别准确率,非特定人、大词表连续语音识别技术成为当前的研究热点。本论文在国家自然科学基金项目的支持下,进行了语音识别系统声学模型训练方法的研究。声学模型是识别系统的底层模型,也是语音识别系统中最关键的一部分,声学模型的目标是提供一种有效的方法,计算语音的特征矢量序列和每个发音模板之间的距离,好的声学模型能提高系统的识别率。首先,本文首先介绍了语音识别的相关主要技术,以及目前的发展现状,讲述语音识别系统的整体结构。其次,讲述语音识别系统的模型的构成,通常由声学模型和语言模型两部分组成,分别对应于语音到音节概率的计算和音节到字概率的计算。本文主要讨论基于两种声学模型的研究和比较,分别是:隐马尔可夫模型和条件随机域模型。最后利用隐马尔可夫模型和条件随机域模型分别建立声学层模型;在语音识别系统的基础上,进行语音识别训练与识别,并对得到的实验结果进行分析与对比,结果表明,在一定条件下基于随机条件域模型的声学模型也是能取得较好的效果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.2 本课题研究的目的及意义
• 1.3 相关模型概述
• 1.3.1 基于隐马尔可夫声学建模
• 1.3.2 基于条件随机域声学建模
• 1.4 国内外研究现状
• 1.4.1 国外研究现状
• 1.4.2 国内研究现状
• 1.5 本文主要研究内容
• 第2章 语音识别体系结构
• 2.1 系统体系结构
• 2.2 语音信号的数字化和预处理
• 2.2.1 语音采样
• 2.2.2 语音预滤波
• 2.2.3 A/D 变换
• 2.2.4 预处理
• 2.2.5 语音信号的存储及加窗分帧处理
• 2.3 语音信号的时域分析
• 2.3.1 短时平均能量
• 2.3.2 短时过零率
• 2.3.3 端点检测
• 2.4 语音信号特征参数
• 2.4.1 线性预测系数
• 2.4.2 线性预测倒普系数（LPCC）
• 2.4.3 Mel 倒普系数
• 2.4.4 其它特征参数
• 2.5 特征数据的失真测度
• 2.6 本章小结
• 第3章 隐马尔可夫模型理论
• 3.1 简介
• 3.2 隐马尔可夫模型基本原理
• 3.2.1 隐马尔可夫模型定义
• 3.2.2 HMM 的三个基本问题
• 3.2.3 HMM 状态转移的拓扑结构和类型
• 3.3 HMM 模型训练原理
• 3.4 HMM 的应用
• 3.4.1 参数初始化
• 3.4.2 HMM 在应用中存在的局限性
• 3.5 本章小结
• 第4章 条件随机域模型理论
• 4.1 引言
• 4.2 条件随机域模型简介
• 4.2.1 CRF 模型定义及结构
• 4.3 条件随机域模型参数估计
• 4.3.1 最大似然参数估计
• 4.4 CRF 模型的优化方法
• 4.4.1 一阶优化技术
• 4.4.2 二阶优化技术
• 4.4.3 相关优化算法
• 4.5 本章小结
• 第5章 基于HMM 和CRF 的声学模型的设计与实现
• 5.1 引言
• 5.2 特征参数提取
• 5.2.1 实验所用语料准备
• 5.2.2 端点检测的实现
• 5.2.3 提取语音特征参数
• 5.3 基于HMM 声学层模型训练实验结果
• 5.3.1 语法和字典定义
• 5.3.2 模型训练和优化
• 5.4 基于 CRF 声学层模型训练实验结果
• 5.4.1 训练数据文件和标注文件准备
• 5.4.2 模型训练
• 5.4.3 实验结果分析
• 5.5 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢
• 附录