【文章內(nèi)容簡介】 發(fā)音器官不可能毫無規(guī)律地快速變化，因此語音信號是準穩(wěn)定的(quasi steady)。全極點線性預(yù)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(yīng)濁音(Vowel)和清音(Consonant)，而每段聲管則對應(yīng)一個LPC模型的極點。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。LPC是語音分析的重要手段，它能很好地進行譜估計，即可作為語音特征的參數(shù)。因此僅用12個LPC系數(shù)就能很好地表示復(fù)雜語音信號的特征，這就大大降低了信號的冗余度并有效地減少了計算量和存儲量，使之成為語音識別和語音壓縮的基礎(chǔ)。 ………………………………上式表示p個方程構(gòu)成的方程組，未知數(shù)為p個。求解該方程組，就可以得到系統(tǒng)的線性預(yù)測系數(shù)。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。在MATLAB中利用lpc函數(shù)計算LPC系數(shù)，其語法為：a = lpc(x,n)。這里x為一幀語音信號，n為計算LPC參數(shù)的階數(shù)。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。2. 線性預(yù)測倒譜系數(shù)(LPCC)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(dǎo)出另一種參數(shù)：線性預(yù)測倒譜系數(shù)（LPCC）。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(fù)雜。在實際運作中大多數(shù)語音識別系統(tǒng)都會采用倒譜參數(shù)來作為有關(guān)距離的度量。LPC 倒譜系數(shù)是描述說話人聲道特性的，廣泛應(yīng)用于聲紋識別。在實際計算中，當(dāng)序列x(n)為最小相位的情況下，可以利用序列x(n)及其倒譜系數(shù)c(n)的遞推關(guān)系來簡化計算。序列x(n)及其復(fù)倒譜系數(shù)c(n)的遞推公式如下：…………………………………LPCC參數(shù)是一種非常重要的參數(shù)，它不是由原始信號x(n)得到，而是由LPC系數(shù)得到的。……………………………………………………………………………………………………………………………………………………………3. Mel尺度倒譜系數(shù)(MFCC)LPC模型是基于發(fā)音模型建立的，LPCC系數(shù)也是一種基于合成的參數(shù)。這種參數(shù)沒有充分利用人耳的聽覺特性。實際上，人的聽覺系統(tǒng)是一個特殊的非線性系統(tǒng)，它響應(yīng)不同頻率信號的靈敏度是不同的，基本上是一個對數(shù)的關(guān)系。近年來，一種能夠比較充分利用人耳這種特殊的感知特性的參數(shù)得到了廣泛的應(yīng)用，這就是Mel尺度倒譜參數(shù)(Melscaled Cepstrum Coefficient)，或稱Mel頻率倒譜系數(shù)，簡稱為MFCC。大量的研究表明，MFCC參數(shù)能夠比LPCC參數(shù)更好地提高系統(tǒng)的識別性能。從目前使用的情況來看，在大詞匯量語音識別應(yīng)用中已逐漸取代原本常用的線性預(yù)測編碼導(dǎo)出的倒頻譜參數(shù)，原因是它考慮了人類發(fā)聲與接收聲音的特性，具有更好的魯棒性。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。所以通常將加窗后的幀經(jīng)過快速傅立葉變換（FFT），求出每幀的頻譜參數(shù)。再將每幀的頻譜參數(shù)通過一組N 個（ N 一般為20 ～ 30 個）三角形帶通濾波器所組成的Mel頻率濾波器，將每個頻帶的輸出取對數(shù)，求出每一個輸出的對數(shù)能量（log energy）Ek，k =1，2，... N。再將此N 個參數(shù)進行余弦變換（cosine transform） 求出L 階的Mel scale cepstrum 參數(shù)。MFCC參數(shù)的計算是以“bark”為其頻率基準的，它和線性頻率的轉(zhuǎn)換關(guān)系是：…………………………………………………MFCC參數(shù)也是按幀計算的。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。這需要在計算之前先在語音的頻譜范圍內(nèi)設(shè)置若干個帶通濾波器：…………………………MFCC參數(shù)的計算通常采用如下的流程：（1） 首先確定每一幀語音采樣序列的點數(shù)。對每幀序列進行預(yù)加重處理后再經(jīng)過離散FFT變換，取模的平方得到離散功率譜。（2）計算通過M個后所得的功率值，即計算和在 各離散頻率點上乘積之和，得到M個參數(shù)。（3）計算的自然對數(shù)，得到。（4）對計算其離散余弦變換，得到。（5）舍去代表直流成分的，取作為MFCC參數(shù)。167。 用MATLAB實現(xiàn)LPC系數(shù)的計算本系統(tǒng)使用的特征參數(shù)是線性預(yù)測系數(shù)(LPC)。在MATLAB中利用lpc函數(shù)計算LPC系數(shù)，其語法為：a = lpc(x,n)。這里x為一幀語音信號，n為計算LPC參數(shù)的階數(shù)。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。167。 語音識別中的模式匹配167。 DTW算法原理目前,語音識別的匹配主要應(yīng)用HMM和DTW兩種算法。DTW算法由于沒有一個有效地用統(tǒng)計方法進行訓(xùn)練的框架，也不容易將低層和頂層的各種知識用到語音識別算法中，因此在解決大詞匯量、連續(xù)語音、非特定人語音識別問題時較之HMM算法相形見絀。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。而對于孤立詞識別,HMM算法和DTW算法在相同條件下,識別效果相差不大, 又由于DTW算法本身既簡單又有效，但HMM算法要復(fù)雜得多。它需要在訓(xùn)練階段提供大量的語音數(shù)據(jù),通過反復(fù)計算才能得到參數(shù)模型,而DTW算法的訓(xùn)練中幾乎不需要額外的計算。鑒于此,DTW更適合本系統(tǒng)的要求。 在孤立詞語音識別中，最為簡單有效的方法是采用DTW（Dynamic Time Warping，動態(tài)時間歸整）算法，該算法基于動態(tài)規(guī)劃（DP）的思想，解決了發(fā)音長短不一的模板匹配問題，是語音識別中出現(xiàn)較早、較為經(jīng)典的一種算法。用于孤立詞識別，DTW算法與HMM算法在訓(xùn)練階段需要提供大量的語音數(shù)據(jù)，通過反復(fù)計算才能得到模型參數(shù)，而DTW算法的訓(xùn)練中幾乎不需要額外的計算。所以在孤立詞語音識別中，DTW算法仍然得到廣泛的應(yīng)用。 無論在訓(xùn)練和建立模板階段還是在識別階段，都先采用端點算法確定語音的起點和終點。已存入模板庫的各個詞條稱為參考模板，一個參考模板可表示為R={R（1），R（2），……，R（m），……，R（M）}，m為訓(xùn)練語音幀的時序標號，m=1為起點語音幀，m=M為終點語音幀，因此M為該模板所包含的語音幀總數(shù)，R（m）為第m幀的語音特征矢量。所要識別的一個輸入詞條語音稱為測試模板，可表示為T={T（1），T（2），……，T（n），……，T（N）}，n為測試語音幀的時序標號，n=1為起點語音幀，n=N為終點語音幀，因此N為該模板所包含的語音幀總數(shù)，T（n）為第n幀的語音特征矢量。參考模板與測試模板一般采用相同類型的特征矢量（如MFCC，LPC系數(shù)）、相同的幀長、相同的窗函數(shù)和相同的幀移。 假設(shè)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D[T，R]，距離越小則相似度越高。為了計算這一失真距離，應(yīng)從T和R中各個對應(yīng)幀之間的距離算起。設(shè)n和m分別是T和R中任意選擇的幀號，d[T（n），R（m）]表示這兩幀特征矢量之間的距離。距離函數(shù)取決于實際采用的距離度量，在DTW算法中通常采用歐氏距離。 若N=M則可以直接計算，否則要考慮將T（n）和R（m）對齊。對齊可以采用線性擴張的方法，如果NM可以將T線性映射為一個M幀的序列，再計算它與{R（1），R（2），……，R（M）}之間的距離。但是這樣的計算沒有考慮到語音中各個段在不同情況下的持續(xù)時間會產(chǎn)生或長或短的變化，因此識別效果不可能最佳。因此更多的是采用動態(tài)規(guī)劃（DP）的方法。 如果把測試模板的各個幀號n=1~N在一個二維直角坐標系中的橫軸上標出，把參考模板的各幀號m=1~M在縱軸上標出，通過這些表示幀號的整數(shù)坐標畫出一些縱橫線即可形成一個網(wǎng)絡(luò)，網(wǎng)絡(luò)中的每一個交叉點（n，m）表示測試模式中某一幀的交匯點。DP算法可以歸結(jié)為尋找一條通過此網(wǎng)絡(luò)中若干格點的路徑，路徑通過的格點即為測試和參考模板中進行計算的幀號。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。為了描述這條路徑，假設(shè)路徑通過的所有格點依次為（n ，m ），……，（n ，m ），……，（n ，m ），其中（n ，m ）=（1，1），（n ，m ）=（N，M）。路徑可以用函數(shù)m =216。（n ）描述，其中n =i，i=1，2，……，N，216。（1）=1，216。（N）=M。為了使路徑不至于過傾斜，~2的范圍內(nèi)，如果路徑已經(jīng)通過了格點（n ，m ），那么下一個通過的格點（n ，m ）只可能是下列三種情況之一： （n ，m ）=（n +1，m +2） （n ，m ）=（n +1，m +1） （n ，m ）=（n +1，m ） 用r表示上述三個約束條件。求最佳路徑的問題可以歸結(jié)為滿足約束條件r時，求最佳路徑