【正文】 顯然，識別結果與語音特征的選擇、語音模型和語言模型的好壞、模板是否準確等都有直接的關系。隨著計算機越來越向便攜化方向發(fā)展，隨著計算環(huán)境的日趨復雜化，人們越來越迫切要求擺脫鍵盤的束縛而代之以語音輸入這樣便于使用的、自然的、人性化的輸入方式。當 ψ(ω)滿足允許條件 : ???? ? ???? dCR)(時，我們稱 ψ(t)為一個基本小波或母小波，將母函數(shù) ψ(t)經(jīng)伸縮或平移后 , 就可以得到一個小波序列。 實際上，一般我們是使用短時能量的概念來描述語音信號的幅度的。 ， n = 1， ...， p， p為倒譜的前 p個值， 當LPCC的階數(shù)不超過 LPC階數(shù) p的時候 ，用第二式進行計算 。但 HMM算法在訓練階段需要提供大量的語音數(shù)據(jù)，通過反復計算才能得到模板參數(shù)，而 DTW算法的訓練中幾乎不需要額外的計算。 識別時，先從外存將模板參數(shù)導入，然后對測試語音做同樣的處理，接著即通動態(tài)時間彎折算法進行語音識別。最后對 MFCC進行一階差分 ，得到一組新的 M FCC差分系數(shù) ，作為特征矢量的一組分量。 語音信號的聲管模型 在語音識別系統(tǒng)中，很少直接使用 LPC系數(shù)，而是由 LPC系數(shù)推導出另一種參數(shù)：線性預測倒普系數(shù)（ LPCC），其遞推式如下 : ????????????????????????pnacnkcpnacnkacacnkknknnkknknn。 實驗中通過改進 matlab系統(tǒng)函數(shù) ddencmp求解得閾值，并對閾值進行了一定修改，由于實驗中閾值很小，在經(jīng)過多次比較后，決定把已經(jīng)求得的閾值 thr+。小波變換是一種多尺度的信號分析方法，是分析非平穩(wěn)信號的有力工具。笪慶 1，方超 2，單夢凡 3，封孔飛 4 DaQing1， FangChao2， ShanMengfan3， FengKongfei4 061221015 061221021 061221016 061221022 摘要： 語音作為一個交叉學科，具有深遠的研究價值，近 50 年的研究發(fā)展，語音識別技術已經(jīng)有了極大的發(fā)展，但大多數(shù)產品能存在與實驗室，沒有達到使用化的效果，所以語音識別的研究還要更加深入。它克服了短時傅里葉變換固定分辨率的弱點，既可以分析信號的概貌，又可以分析信號的細節(jié)。 含高斯白噪聲的隨機信號 去噪后的信號 對于簡單的直接加入高斯噪聲的信號，去噪效果還是比較理想的，但在具體實驗中，環(huán)境變量等其他因素引起的噪聲情況比較復雜，效果并沒有以上明顯。1。 差分參數(shù)的計算采用下面的公式： ????????kkikkiinicind )(1)(2這里的 c和 d都表示一幀語音參數(shù)， k為常數(shù)， 通常取 2，這時差分參數(shù)就稱為當前