基于HMM的机器人语音识别系统的研究

论文摘要

随着智能机器人研究的不断深入,对人机之间的交互方式提出了更高的要求。将语音识别技术与机器人控制技术相结合,人类通过语音信号来控制机器人,这一智能化的交互方式成为目前智能机器人研究的热点。在本文的机器人语音识别控制系统中,我们要求针对特定环境设计出语音命令来控制机器人的行为,在研究初期,这样的控制命令多选用一些字词,所以本文的定位是设计一个非特定人的孤立词机器人语音识别系统。本文深入分析了语音识别系统的基本原理与基本流程,并深入研究了基于能量—过零率的双门限端点检测算法,基于线性预测（LP）的特征提取算法与基于Mel频谱的特征提取算法。另外本文也深入研究了隐马尔可夫模型（HMM）的三个经典算法:前向—后向算法,Viterbi算法,Baum-Welch算法,以及基于HMM模型的孤立词语音识别系统的原理与流程。在给定的实验室机器人平台上,本文采用模快化软件设计思想进行软件架构。整个机器人语音识别控制系统分为三个模块,其中对于GUI人机界面模块与语音识别模块作了详细的设计与实现。GUI人机界面模块采用Qt图形库来实现;语音训练所要建立的声学模型由英国剑桥大学开发的HTK工具包来创建;语音识别采用的识别器为日本京都大学和日本IPA联合开发的语音识别引擎Julius。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 课题背景及意义
• 1.2 语音识别发展历史与研究现状
• 1.2.1 国外研究历史及现状
• 1.2.2 国内研究历史及现状
• 1.3 机器人语音识别技术难点
• 1.4 文章主要研究内容
• 1.5 文章结构安排
• 第二章 语音识别理论基础
• 2.1 语音识别基本原理
• 2.2 语音识别的分类
• 2.3 语音识别的预处理
• 2.3.1 语音信号数字化
• 2.3.2 预加重
• 2.3.3 分帧加窗
• 2.3.4 端点检测
• 2.4 语音识别的特征提取
• 2.4.1 线性预测系数（LPC）以及线性预测倒谱系数（LPCC）
• 2.4.2 Mel 频率倒谱系数（MFCC）
• 2.4.3 LPCC 参数与MFCC 参数的比较
• 2.5 语音训练与识别方法
• 2.5.1 动态时间规整（DTW）
• 2.5.2 隐马尔可夫链模型（HMM）
• 2.5.3 人工神经网络
• 2.6 本章小结
• 第三章 基于隐马尔可夫链模型（HMM）的语音识别的基本理论
• 3.1 隐马尔可夫链模型（Hidden Markov Model，HMM）的定义
• 3.2 HMM 的分类
• 3.3 HMM 的三个基本问题及其解法
• 3.3.1 HMM 的三个基本问题
• 3.3.2 HMM 基本算法
• 3.4 基于HMM 模型的孤立词语音识别原理
• 3.5 本章小结
• 第四章 机器人语音识别系统的设计
• 4.1 系统架构
• 4.1.1 硬件结构
• 4.1.2 软件结构
• 4.2 GUI 模块的设计
• 4.3 语音识别模块设计
• 4.3.1 语音信号前端处理
• 4.3.2 声学模型训练
• 4.3.3 Julius 语音识别
• 4.4 模块间通讯
• 4.5 本章小结
• 第五章 机器人语音识别系统的实现
• 5.1 GUI 模块的实现
• 5.2 语音识别模块的实现
• 5.2.1 语音信号前端处理
• 5.2.2 基于HTK 的声学模型训练
• 5.2.3 基于Julius 的语音识别
• 5.3 实验测试
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 附录A 攻读硕士期间发表的文章和参加的主要科研项目
• 大摘要