车载汉语语音控制命令识别算法的研究

论文摘要

随着语音识别技术的发展,越来越多的语音产品走进我们的生活。近年来,汽车的普及率不断提高,消费者对汽车功能的要求也越来越高。应用语音识别技术,通过语音指令控制车内的辅助设备,可以提高乘车的舒适性和安全性。车载汉语语音控制命令识别系统具有实时性、鲁棒性和识别率高等特点。本文研究的是小词汇量特定人组汉语孤立词语音识别。首先介绍了语音识别的基本原理和识别流程。然后,详细介绍语音识别的各个环节和所用的方法,并用MATLAB软件完成编程和仿真实验。本文使用数字高通滤波器滤除大部分噪声;提出一种用于端点检测的参数,将语音信号每一帧的分带谱熵、C0复杂度和谱能量结合在一起,作为端点检测的特征参数;提取24维Mel频率倒谱系数作为语音识别的特征参数;根据语音信号的长度,将语音指令切分为动词和名词两部分,采用不同的识别算法分别对这两部分进行识别;将两部分的算法进行组合,得到9种组合算法;根据车载语音识别的各项评价指标,采用灰色定权聚类的方法,对各种组合算法进行评估,并选择最优识别算法。根据实验结果,动词部分的识别算法采用BP神经网络,名词部分的识别算法采用隐马尔可夫模型。这种组合算法更适用于本文研究的车载语音识别系统。

论文目录

• 摘要
• Abstract
• 第一章 引言
• 1.1 语音识别概述
• 1.1.1 语音识别的分类
• 1.1.2 语音识别的原理
• 1.2 语音识别的发展历史和现状
• 1.3 车载语音识别的研究现状
• 1.4 车载语音识别的研究意义
• 1.5 论文的研究内容
• 1.6 论文的结构安排
• 第二章 语音信号的预处理
• 2.1 建立语音样本集
• 2.2 语音信号的采样和量化
• 2.3 采集数据
• 2.4 降噪处理
• 2.5 预加重
• 2.6 分帧、加窗
• 2.7 语音的端点检测
• 2.8 语音切分
• 2.9 本章小结
• 第三章 语音特征参数的提取
• 3.1 人耳的听觉特性
• 3.2 MFCC 参数的提取
• 3.3 本章小结
• 第四章 语音识别算法
• 4.1 动词的语音识别算法
• 4.1.1 支持向量机
• 4.1.2 BP 神经网络
• 4.1.3 矩阵灰色关联分析
• 4.2 名词的语音识别算法
• 4.2.1 动态时间规整
• 4.2.2 连续隐马尔可夫模型
• 4.2.3 连续隐马尔可夫模型与集成神经网络相结合
• 4.3 语音控制命令的组合识别算法
• 4.4 本章小结
• 第五章 语音识别算法的评估
• 5.1 灰色定权聚类
• 5.2 仿真实验
• 5.3 本章小结
• 结论及展望
• 参考文献
• 致谢