【正文】 走39。其它函數(shù)如abs等為MATLAB函數(shù)庫自帶。通過控制六個輸入口電平來控制電機正反轉(zhuǎn)或者停止。 case 3: go_afterward()。 TR1 = 1。途中8個單向?qū)ǘO管起著非常重要的作用，它可以防止電機磁場作用產(chǎn)生很大的反向電壓時對L298內(nèi)部電路的破壞作用。以上復位電路只能保證單片機能夠上電復位，為了更好的進行調(diào)試，本電路對上面的電路進行了更改，使得單片機電路能夠手動復位。第三個輪是轉(zhuǎn)向輪，可以三百六十度轉(zhuǎn)向。else dist=realmax?？紤]到邊界問題，有些前續(xù)格點可能不存在，因此要加入一些判斷條件。（N）=M。 假設測試和參考模板分別用T和R表示，為了比較它們之間的相似度，可以計算它們之間的距離通常x為240點或256點的數(shù)據(jù)，n取10~12，對語音識別來說就已經(jīng)足夠。由于語音信號在時域上的變化快速而不穩(wěn)定，所以通常都將它轉(zhuǎn)換到頻域上來觀察，此時它的頻譜會隨著時間作緩慢的變化。由基于自相關(guān)的遞推求解公式求解，也就是所謂的Durbin算法得：…………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………公式中，上標表示第次迭代，每次迭代只計算和更新 直到時，結(jié)束迭代。判斷結(jié)果如圖25所示：圖25 端點檢測出的語音波形167。如下，圖21展示了沒有平移前的過零譜圖，圖22展示了平移后的過零譜圖。 聲音的預處理167。wavrecord是MATLAB的專有聲音錄入函數(shù)，他有一下三種調(diào)用方式：（1） y = wavrecord(n,Fs)（2） y = wavrecord(n,Fs,ch)（3） y = wavrecord(n,Fs,39。使用語音作為人機交互的途徑對于使用者來說是最自然的一種方式，同時設備的小型化也要求省略鍵盤以節(jié)省體積。上面設置了串口選擇框、錄音開始按鈕、語音識別結(jié)果框等。使用語音作為人機交互的途徑對于使用者來說是最自然的一種方式，同時設備的小型化也要求省略鍵盤以節(jié)省體積。 DTW算法原理 14167。 語音識別簡介 4167。本設計是語音識別在控制領域的一個很好實現(xiàn)，它將原本需要手工操作的工作用語音來方便地完成。 欲加重處理 6167。 小車結(jié)構(gòu)設計 20167。連續(xù)語音識別是指對說話人以日常自然的方式發(fā)音，通常特指用于語音錄入的聽寫機。下位機是單片機控制的一個小車，單片機收到上位機傳來的指令后，很據(jù)不同的指令控制小車完成不同的動作。連接詞語音識別支持一個小的語法網(wǎng)絡，其內(nèi)部形成一個狀態(tài)機，可以實現(xiàn)簡單的家用電器的控制，而復雜的連接詞語音識別系統(tǒng)可以用于電話語音查詢、航空定票等系統(tǒng)。’dtype’代表采樣數(shù)據(jù)的存儲類型，MATLAB提供四種存儲類型如下：（1） 39。語音信號是瞬時變化的，但在10～(n)以1024點為一幀進行處理，幀移為512個采樣點。這里將每幀的幅度絕對值之和作為每一幀的總能量大小。線性預測(Linear Prediction)分析是最有效的語音分析技術(shù)之一，在語音編碼、語音合成、語音識別和說話人識別等語音信號處理領域中得到了廣泛的應用。倒譜實際上是一種同態(tài)信號處理方法，標準的倒譜系數(shù)計算流程需要進行FFT變換，對數(shù)操作和相位校正等步驟，運算比較復雜。首先要通過FFT得到該幀信號的功率譜，轉(zhuǎn)換為Mel頻率下的功率譜。HMM是一種用參數(shù)表示的,用于描述隨機過程統(tǒng)計特性的概率模型。 若N=M則可以直接計算，否則要考慮將T（n）和R（m）對齊。對于（ni，mi），其可達到該格點的前一個格點只可能是（n ，m ）、（n ，m 1）和（n ，m 2），那么（n ，m ）一定選擇這3個距離之路徑延伸而通過（n ，m ），這時此路徑的積累距離為： D[（n ，m ）]=d[T(n ),R(m )]+D[(n , m )] 其中的n = n 1 ,m 1由下式?jīng)Q定： D[（n ，m ）]=min{D[(n , m )],D[(n , m 1)],D[(n , m 2)]} 這樣可以從（n ，m ）=（1，1）出發(fā)搜索（n ，m ），再搜索（n ，m ），……，對每一個（n ，m ）都存儲相應的前一格點（n ，m ）及相應的幀匹配距離d[n ，m ]。 if(abs(nm)6) % 幀匹配距離矩陣 d = zeros(n,m)。操作方便的圖形用戶界面。 小車硬件設計167。用戶在下載用戶程序時，可選擇是使用內(nèi)部R/C振蕩器還是外部晶體時鐘。其電路圖如圖38所示：LM7805VinVout=5V圖38 5V穩(wěn)壓電路167。 if(RI == 1) //當硬件接收到一個數(shù)據(jù)時，RI會置位 { if(i == 0) { RxBuf[0] = SBUF 48。串口控制主要是進行寄存器設置，設置串口時鐘得喝波特率。本設計語音識別的特征參數(shù)提取采用的是易于獲取的LPC（線性預測系數(shù)），而大多數(shù)識別案例是采用LPCC（線性預測倒譜系數(shù)），這方面還有待去試驗。if m1500 s(1)=m+abs(energy2200)。 otherwise result=39。m=realmax。我的指導老師徐素莉老師在課題的更改和確立，還有課題整體思路把握，以及小車的總體方案設計上都給與了極大的幫助和指導。讀取串口數(shù)據(jù)開始圖310 串口程序，查詢法電機控制主要是通過控制L298電機驅(qū)動芯片來控制電機。}/*************************主函數(shù)******************/void main(){ Com_Init()。 //接收緩沖區(qū) /****************************************************************** 名稱 : Com_Init()* 功能 : 串口初始化，,波特率9600，使能了串口中斷* 輸入 : 無* 輸出 : 無*****************************************************************/void Com_Init(void){ TMOD = 0x20。 驅(qū)動電路設計驅(qū)動電路的選擇及穩(wěn)定性對小車性能來說是至關(guān)重要的。其復位電路分兩種情況。整個系統(tǒng)以單片機作為控制中心，單片機前要接受上位機傳來的控制指令，后要根據(jù)收到的指令控制小車完成不同的功能。 else D2 = realmax。D（N，M）即為最佳匹配路徑所對應的匹配距離。路徑不是隨意選擇的，首先任何一種語音的發(fā)音快慢都有可能變化，但是其各部分的先后次序不可能改變，因此所選的路徑必定是從左下角出發(fā)，在右上角結(jié)束。所以在孤立詞語音識別中，DTW算法仍然得到廣泛的應用。（5）舍去代表直流成分的，取作為MFCC參數(shù)。這種參數(shù)沒有充分利用人耳的聽覺特性。一般情況下，極點的個數(shù)在12~16之間，就可以足夠清晰地描述語音信號的特征了。 用過零率和音量積譜來檢測端點端點檢測算法常用的是由語音能量和過零率組合的有雙門限法，以及短時能量和過零率的乘積構(gòu)成的能頻值法。因此, 端點檢測的效率、 質(zhì)量在語音處理系統(tǒng)中顯得至關(guān)重要。, 16 bits/sample（4） 39。非特定人大詞表連續(xù)語音識別是近幾年研究的重點，也是研究的難點。 語音識別發(fā)展隨著時代的發(fā)展，人們越來越注重生活的品質(zhì)。本系統(tǒng)分上位機和下位機兩大方面。 主程序流程圖 24167。 用過零率和音量積譜來檢測端點 9167。下位機是單片機控制的一個小車，單片機收到上位機傳來的指令后，根據(jù)不同的指令控制小車完成不同的動作。上位機利用PC上MATLAB強大的數(shù)學計算能力，進行語音輸入、端點監(jiān)測、特征參數(shù)提取、匹配、串口控制等工作，根據(jù)識別到的不同語音通過PC串口向下位機發(fā)送不同的指令。 過零率和音量積譜 8167。 小車軟件設計 24167。本設計是語音識別在控制領域的一個很好實現(xiàn)，它將原本需要手工操作的工作用語音來方便地完成。 語音識別簡介167。實際上，非特定人語音識別的初始識別率往往都比較低，一般都要求用戶花一定的時間對系統(tǒng)進行訓練，將系統(tǒng)的參數(shù)進行一定的自適應調(diào)整，才能使識別率達到滿意的程度。int1639。除此之外, 在語音合成、 編碼等系統(tǒng)中,高效的端點檢測也直接影響甚至決定著系統(tǒng)的主要性能。圖24 過零音量積譜167。全極點線性預測模型(LPC)可以對聲管模型進行很好的描述，這里信號的激勵源是由肺部氣流的沖擊引起的，聲帶可以有周期振動也可以不振動，分別對應濁音(Vowel)和清音(Consonant)，而每段聲管則對應一個LPC模型的極點?！?