高斯混合模型FPGA实现关键技术研究

论文摘要

高斯混合模型（GMM）是一种概率统计模型,它可以很好地描述语音数据的声学特征分布,所以在语音识别系统中得到了广泛的应用。当前,基于高斯混合模型的语种识别系统主要是基于通用处理器平台实现的,实际应用中实时倍率较小,无法满足大规模语音的多路实时并发处理需求,而语种识别系统采用FPGA实现可以较好地解决多路并发应用的实时性问题。本文依托于国家863计划某重点项目,研究内容是语种识别系统中高斯混合模型的FPGA实现。首先研究了高斯混合模型的FPGA实现算法;其次针对具体实现中的关键问题,重点研究了ADDLOG函数与指数运算的FPGA实现方法;最后完成了高斯混合模型的FPGA设计与实现。本文的主要研究内容和成果包括:1.引入ADDLOG函数实现高斯混合模型后验概率计算。通过引入ADDLOG函数,确立了高斯混合模型后验概率计算的定点实现方法;2.提出一种基于分段-平移的多项式逼近算法,实现了ADDLOG函数的快速运算。通过比较分段大小与多项式次数的关系,选择分段-平移二次多项式逼近实现ADDLOG运算,在保证计算精度的情况下,提高了ADDLOG函数实现的运算速度;3.提出一种基于组合-移位的指数运算FPGA实现方法。该方法通过对固定序列中元素的选择与组合,映射为对应指数函数值的相乘（加减移位）,实现准确的指数运算;4.结合上述算法,对高斯混合模型进行FPGA设计与实现。仿真测试表明,基于本文设计实现的高斯混合模型应用于语种识别系统时,能够满足实时性和准确性要求。

论文目录

• 表目录
• 图目录
• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 高斯混合模型FPGA实现研究现状
• 1.2 应用背景及主要工作
• 1.3 论文组织结构
• 第二章 GMM-SVM语种识别系统概述及主要运算研究
• 2.1 GMM-SVM语种识别系统
• 2.1.1 预处理、参数提取与SVM
• 2.1.2 GMM-UBM模型与MAP自适应
• 2.2 基于ADDLOG函数的GMM后验概率计算
• 2.2.1 ADDLOG函数与指数运算的引入
• 2.2.2 后验概率计算实现差异
• 2.3 本章小结
• 第三章 基于分段-平移的ADDLOG函数实现方法
• 3.1 ADDLOG函数
• 3.2 ADDLOG函数实现方法
• 3.2.1 CORDIC实现方法
• 3.2.2 查表法
• 3.2.3 多项式逼近
• 3.2.4 ADDLOG实现方法的选择
• 3.3 分段-平移多项式逼近
• 3.3.1 分段-平移多项式逼近算法
• 3.3.2 分段-平移多项式逼近算法定点描述
• 3.3.3 多项式次数的选择方法
• 3.3.4 算法改进与实现
• 3.3.5 仿真测试与误差分析
• 3.4 本章小结
• 第四章 基于组合-移位的指数运算实现方法
• 4.1 指数运算实现分析
• 4.2 常用指数运算实现方法
• 4.3 组合-移位指数运算实现方法
• 4.3.1 组合与移位算法描述
• 4.3.2 组合序列的约束条件
• 4.3.3 误差分析
• 4.4 仿真测试
• 4.5 本章小结
• 第五章 高斯混合模型FPGA设计与实现
• 5.1 高斯混合模型FPGA实现硬件架构
• 5.1.1 GMM在语种识别系统硬件架构中的位置
• 5.1.2 GMM模块划分
• 5.2 GMM后验概率计算模块FPGA实现
• 5.2.1 高斯距离子模块
• 5.2.2 ADDLOG子模块
• 5.2.3 指数运算子模块
• 5.3 MAP自适应模块FPGA实现
• 5.3.1 后验概率和子模块
• 5.3.2 均值期望和子模块
• 5.3.3 均值调整子模块
• 5.4 模块结构设计
• 5.5 性能分析
• 5.6 本章小结
• 结束语
• 参考文献
• 攻读硕士学位期间完成的主要工作个人简历
• 致谢