基于语音识别的机器人控制技术的研究

论文摘要

语音,作为人类最自然的交流工具,是人类获取资源与信息的重要来源。在信息技术高速发展的今天,让计算机能“听懂”人类的语音,是人—机进行沟通的最便捷的形式之一,语音识别就是这样的一门技术。近些年来,语音识别技术一直是计算机应用的热点。同样,机器人技术也逐渐成为现代自动化技术发展的标志之一。因此,将语音识别技术和机器人控制技术相结合,更是体现了当今最高技术上的自动化。本课题利用博创科技的旅行家—Ⅱ号机器人,以实现对机器人的语音控制为目标,针对语音信号的特征参数提取问题、语音识别算法的性能优化问题及机器人运动测试进行探讨研究,具体工作如下:提出了一种新的语音特征参数提取的方法。在传统的基于人耳听觉特性的MFCC特征参数基础上,将其与基于人的发声机理的共振峰参数结合,构成新的语音特征参数（MFCC+共振峰）。该方法从语音的发声机理和人耳听觉两方面出发,提取语音参数,此算法较传统方法包含信息量多,准确性高,且抗噪声能力强。针对传统的隐马尔科夫模型训练过程中对初值依赖性强、容易陷入局部最优的缺陷和DTW算法实时性的要求,分别提出了三步混合算法（TSMS）和DTW高效算法。经过仿真实验表明,TSMS算法的适应性更强,收敛速度更快,识别的准确率更高。DTW高效算法能够在满足实时性的前提下,减小计算量。给出两个改进算法的实验测试结果,验证了两者的优势。最后,设计机器人语音控制系统。创建Microsoft Speech SDK程序文件,编写DTW高效算法的端口程序和机器人运动测试程序,并对运动测试结果作了分析和说明。

论文目录

• 摘要
• ABSTRACT
• 创新点摘要
• 第一章 绪论
• 1.1 课题研究的背景
• 1.2 语音识别的历史回溯及展望
• 1.3 语音识别技术在智能机器人中的应用
• 1.4 本文研究内容及结构安排
• 第二章 语音识别技术的理论基础
• 2.1 语音识别的基本原理
• 2.2 预处理
• 2.2.1 语音信号的数字化处理
• 2.2.2 预加重处理
• 2.2.3 分帧加窗
• 2.2.4 端点检测
• 2.2.5 语音信号的去噪过程
• 2.3 特征提取的方法
• 2.3.1 线性预测倒谱系数LPCC
• 2.3.2 Mel 倒谱系数（MFCC）
• 2.4 语音识别的基本方法
• 2.5 本章小结
• 第三章 改进的特征参数的提取方法
• 3.1 传统的语音特征参数
• 3.1.1 MFCC 的优缺点分析
• 3.1.2 改进算法的理论分析
• 3.2 新的语音参数的提取过程
• 3.2.1 改进LPC 谱估计共振峰参数
• 3.2.2 构造新的语音特征参数
• 3.3 实验结果及分析
• 3.4 本章小结
• 第四章 改进的语音识别算法
• 4.1 改进的语音识别算法-TSMS 算法
• 4.1.1 HMM 及存在的缺陷
• 4.1.2 改进的三步混合（TSMS）训练算法
• 4.1.3 TSMS 算法结果及分析
• 4.2 改进的语音识别算法-DTW 高效算法
• 4.2.1 传统的DTW 算法及存在的缺陷
• 4.2.2 改进的DTW 高效算法
• 4.2.3 实验结果及分析
• 4.3 语音识别系统的建立
• 4.4 本章小结
• 第五章 语音识别在机器人控制上的实现
• 5.1 系统设备简介
• 5.1.1 硬件设备
• 5.1.2 软件要求
• 5.1.3 Microsoft Speech SDK 简介
• 5.2 机器人语音控制系统总体设计
• 5.2.1 系统总体结构设计
• 5.2.2 系统各个功能模块的设计
• 5.2.3 机器人语音控制的总体流程设计
• 5.3 基于Microsoft Speech SDK 的机器人控制系统的设计
• 5.3.1 Speech SDK 创建程序文件的编写
• 5.3.2 系统测试的程序设计
• 5.4 基于改进语音识别算法的机器人控制系统的设计
• 5.4.1 VC++对话框窗体的设计
• 5.4.2 与Matlab 接口程序的编写
• 5.5 实验结果及分析
• 5.5.1 基于Speech SDK 的机器人运动情况测试及分析
• 5.5.2 基于改进语音识别算法的机器人运动情况测试及分析
• 5.6 本章小结
• 结论
• 参考文献
• 发表文章目录
• 致谢
• 详细摘要