【正文】 雜且計(jì)算量過(guò)大。因此，真正應(yīng)用于語(yǔ)音識(shí)別的是改進(jìn)后的有限狀態(tài)矢量量化(FSVQ)技術(shù)和帶學(xué)習(xí)功能的矢量量化(LVQ2)技術(shù)，其中，F(xiàn)SVQ的計(jì)算量小，而且利用了狀態(tài)轉(zhuǎn)移函數(shù)，根據(jù)上一次的狀態(tài)和量化結(jié)果來(lái)確定下一個(gè)量化狀態(tài)，適用于與上下文有關(guān)的語(yǔ)音識(shí)別；LVQ2利用其自適應(yīng)性的學(xué)習(xí)功能進(jìn)行碼書優(yōu)化，即在一定條件下，將錯(cuò)誤的參考矢量移到遠(yuǎn)離輸入矢量的地方，而將正確的參考矢量移到離輸入矢量更近的地方，從而提高識(shí)別率 [47]。FSVQ和LVQ2技術(shù)在孤立詞和連續(xù)語(yǔ)音的漢語(yǔ)語(yǔ)音識(shí)別中也得到應(yīng)用，但沒(méi)有DTW技術(shù)和HMM技術(shù)普遍。 混合型算法由于漢語(yǔ)的特殊性和復(fù)雜性，單一模式識(shí)別的識(shí)別率往往受到一定的限制。為了提高識(shí)別率，將不同的識(shí)別模式結(jié)合起來(lái)構(gòu)成混合型模式識(shí)別的漢語(yǔ)語(yǔ)音識(shí)別系統(tǒng)是目前研究的一個(gè)方向，其主要應(yīng)用有:動(dòng)態(tài)時(shí)間規(guī)整法與隱馬爾可夫模型法混合的DTWHMM模式、矢量量化法與隱馬爾可夫模型法混合的VQHMM模式、隱馬爾可夫模型法級(jí)聯(lián)式和多層決策樹式的HMMHMM模式 [48]。IBM公司的Via Voice中文語(yǔ)音識(shí)別系統(tǒng)就是VQHMM 混合模式的典范，類似的國(guó)內(nèi)產(chǎn)品還有方正友文系統(tǒng)和Dutty++語(yǔ)音識(shí)別系統(tǒng)。由于獨(dú)立的人工神經(jīng)網(wǎng)普遍存在著時(shí)間規(guī)整問(wèn)題和訓(xùn)練過(guò)程復(fù)雜、識(shí)別時(shí)間過(guò)長(zhǎng)等缺點(diǎn)，因此，如何與傳統(tǒng)的方法相結(jié)合，形成優(yōu)勢(shì)互補(bǔ)的ANN與DTW、 ANN與VQ和ANN與HMM混合的新型漢語(yǔ)語(yǔ)音識(shí)別技術(shù)，以有效解決漢語(yǔ)語(yǔ)音識(shí)別中同音字多、聲調(diào)不明、界限不清、新詞不斷出現(xiàn)等諸多與其它語(yǔ)言語(yǔ)音識(shí)別所不同的特殊難題，己成為ANN法漢語(yǔ)語(yǔ)音識(shí)別系統(tǒng)的研究方向。 基于聲學(xué)和語(yǔ)音學(xué)的方法雖然這種方法起步比較早，在語(yǔ)音識(shí)別技術(shù)剛剛提出的時(shí)候，就有了這方面的研究，但由于其語(yǔ)音知識(shí)及模型過(guò)于復(fù)雜，到目前為止仍然沒(méi)有達(dá)到實(shí)用的階段。通常我們認(rèn)為常用的語(yǔ)言中有有限個(gè)不同的語(yǔ)音基元，可以通過(guò)其語(yǔ)音信號(hào)的時(shí)域或頻域特性來(lái)區(qū)分。那么這種方法可以分為兩步來(lái)實(shí)現(xiàn) [40]：第一步:分段和標(biāo)號(hào)。把語(yǔ)音信號(hào)分成按時(shí)間離散的語(yǔ)音段，每小段對(duì)應(yīng)一個(gè)或幾個(gè)語(yǔ)音基元的聲學(xué)特性，然后再根據(jù)相應(yīng)的聲學(xué)特性對(duì)每個(gè)小分段的語(yǔ)音與給出的語(yǔ)音進(jìn)行比對(duì)，按照相近的做標(biāo)號(hào)。第二步：得到詞序列。根據(jù)第一步得到的語(yǔ)音標(biāo)號(hào)序列得到一系列語(yǔ)音基元網(wǎng)格，然后再?gòu)脑~典得到有效的詞序列，除此之外也可以結(jié)合句子的語(yǔ)義和文法同時(shí)進(jìn)行。 神經(jīng)網(wǎng)絡(luò)的方法一般而言，針對(duì)小詞匯量、孤立詞和特定人的語(yǔ)音識(shí)別系統(tǒng)采用模板匹配的方法就可以達(dá)到很好的效果。但對(duì)于復(fù)雜難解決的大詞匯量、連續(xù)語(yǔ)音和非特定人識(shí)別，當(dāng)今大多采用的算法是隱馬爾科夫模型。不過(guò)就近些年來(lái)看，基于支持矢量機(jī)、遺傳算法和神經(jīng)網(wǎng)絡(luò)等語(yǔ)音識(shí)別技術(shù)方興未艾。人工神經(jīng)網(wǎng)絡(luò)（ANN）的方法是90年代初期提出的一種新的語(yǔ)音識(shí)別方法。其本質(zhì)上是一個(gè)自適應(yīng)非線性動(dòng)力學(xué)系統(tǒng)，具有魯棒性、容錯(cuò)性、自適應(yīng)性、并行性和學(xué)習(xí)特性，模擬了人類神經(jīng)活動(dòng)的原理，其較強(qiáng)的輸入輸出映射能力和分類能力在語(yǔ)音識(shí)別中有很大的吸引力。但是，它的訓(xùn)練和識(shí)別時(shí)間太長(zhǎng)，而且ANN對(duì)語(yǔ)音信號(hào)的時(shí)間動(dòng)態(tài)特性不能進(jìn)行很好的描述，由于這些缺點(diǎn)，仍然處于實(shí)驗(yàn)探索的階段。所以常把ANN與傳統(tǒng)識(shí)別方法結(jié)合起來(lái)一起用，分別利用各自優(yōu)點(diǎn)來(lái)進(jìn)行語(yǔ)音識(shí)別。經(jīng)過(guò)大量實(shí)驗(yàn)表明，基于模板匹配的語(yǔ)音識(shí)別技術(shù)，有很多因素會(huì)影響識(shí)別的正確率，比如語(yǔ)音模板的多少，發(fā)音的穩(wěn)定性(速度)，詞匯量的多少等等。在基于模式匹配的語(yǔ)音識(shí)別中，原始語(yǔ)音要經(jīng)過(guò)訓(xùn)練，產(chǎn)生一系列的特征模板，隨后存儲(chǔ)在特征模板庫(kù)中，然后將待識(shí)別語(yǔ)音通過(guò)相似度量，最后得到識(shí)別結(jié)果。那么，如何進(jìn)行模板的訓(xùn)練，如何度量不同語(yǔ)音之間得相似性等，都是目前需要考慮的問(wèn)題。根據(jù)本設(shè)計(jì)的要求，對(duì)語(yǔ)音識(shí)別的算法進(jìn)行研究和探索，所以選用的指令是一些比較簡(jiǎn)單的口令，為此選取孤立詞和小詞匯量語(yǔ)音識(shí)別系統(tǒng)作為研究對(duì)象。本設(shè)計(jì)采用的識(shí)別方法是模板匹配方法。第四章 非特定人連續(xù)語(yǔ)音識(shí)別系統(tǒng)的實(shí)現(xiàn)基于前面對(duì)語(yǔ)音信號(hào)的實(shí)時(shí)采集，小波消噪、預(yù)加重處理、語(yǔ)音信號(hào)的端點(diǎn)檢測(cè)，語(yǔ)音信號(hào)特征參數(shù)的提取等的分析，本文設(shè)計(jì)了完整的描述并討論非特定人連續(xù)語(yǔ)音識(shí)別。下面將具體介紹該系統(tǒng)的實(shí)現(xiàn)過(guò)程并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。 概述非特定人連續(xù)語(yǔ)音識(shí)別，按照相關(guān)的原理和要求，需要具有以下功能：(1) 能對(duì)待識(shí)別的語(yǔ)音信號(hào)進(jìn)行錄音和回放，即實(shí)時(shí)采集和存儲(chǔ)。(2) 用小波變換的方法對(duì)待測(cè)語(yǔ)音信號(hào)進(jìn)行消噪。(3) 對(duì)待測(cè)的語(yǔ)音信號(hào)能夠準(zhǔn)確的檢測(cè)出有效語(yǔ)音信號(hào)的起止端點(diǎn)。(4) 提取出能夠準(zhǔn)確的描述待識(shí)別的語(yǔ)音信號(hào)的特征參數(shù)即MFCC。(5) 語(yǔ)音信號(hào)識(shí)別模板的建立。(6) 語(yǔ)音信號(hào)識(shí)別模板的讀取。為實(shí)現(xiàn)上述功能，本文設(shè)計(jì)了包括語(yǔ)音信號(hào)的實(shí)時(shí)采集、小波消噪、端點(diǎn)檢測(cè)、特征提取和識(shí)別算法以及識(shí)別模板的建立與讀取在內(nèi)的非特定人連續(xù)語(yǔ)音識(shí)別系統(tǒng)。： 非特定人連續(xù)語(yǔ)音識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn) 語(yǔ)音信號(hào)的實(shí)時(shí)采集與小波消噪處理 對(duì)原始語(yǔ)音信號(hào)進(jìn)行實(shí)時(shí)采集以及消噪處理，與此同時(shí)，對(duì)小波消噪和濾波器消噪的優(yōu)劣進(jìn)行了分析比較，得到了語(yǔ)音信號(hào)不同的特性圖形。并對(duì)得到的各類圖形的頻譜進(jìn)行分析，得到相應(yīng)的語(yǔ)音信號(hào)的頻譜圖，從而完成語(yǔ)音信號(hào)分析的第一步，即語(yǔ)音信號(hào)的采集與小波消噪[22]，為以后的工作做鋪墊。 語(yǔ)音識(shí)別系統(tǒng)結(jié)構(gòu)框圖 語(yǔ)音信號(hào)實(shí)時(shí)采集、消噪。 語(yǔ)音信號(hào)實(shí)時(shí)采集、消噪的實(shí)現(xiàn)過(guò)程 語(yǔ)音信號(hào)的預(yù)處理語(yǔ)音信號(hào)的預(yù)處理主要包括語(yǔ)音信號(hào)的采集、消噪、預(yù)加重以及端點(diǎn)檢測(cè)，在其運(yùn)行過(guò)程中須調(diào)用語(yǔ)音信號(hào)采集程序。 語(yǔ)音信號(hào)的采集。 語(yǔ)音信號(hào)采集的實(shí)現(xiàn)過(guò)程對(duì)實(shí)時(shí)采集保存的語(yǔ)音信號(hào)進(jìn)行回放，經(jīng)過(guò)加窗，在MATLAB腳本文件中調(diào)用小波消噪函數(shù)對(duì)信號(hào)進(jìn)行消噪處理，最后通過(guò)短時(shí)能量和短時(shí)平均過(guò)零率相結(jié)合的方法進(jìn)行端點(diǎn)檢測(cè)，輸出干凈的信號(hào)、預(yù)加重信號(hào)、限幅后的信號(hào)、各幀能頻信號(hào)和檢測(cè)到的語(yǔ)音起始幀和結(jié)束幀端點(diǎn)。 語(yǔ)音消噪和端點(diǎn)檢測(cè)。 語(yǔ)音消噪程序框圖 語(yǔ)音信號(hào)的特征提取語(yǔ)音信號(hào)的Mel倒譜系數(shù)的個(gè)數(shù)為16個(gè)，一階Mel倒譜差分系數(shù)的個(gè)數(shù)為16個(gè)，二階Mel倒譜差分系數(shù)的個(gè)數(shù)也為16個(gè)，總共為48個(gè)點(diǎn)。設(shè)置語(yǔ)音庫(kù)中每個(gè)語(yǔ)音信號(hào)進(jìn)行MFCC特征參數(shù)提取，對(duì)其隨機(jī)進(jìn)行賦值，并建起轉(zhuǎn)化為相應(yīng)的數(shù)組形式進(jìn)行輸出顯示，為識(shí)別提供匹配參考模板。 MFCC特征參數(shù)的提取其中，xx為原始輸入語(yǔ)音信號(hào)，可對(duì)其進(jìn)行隨機(jī)賦值，s1為語(yǔ)音信號(hào)的起始幀，s2為語(yǔ)音信號(hào)的結(jié)束幀，一幀數(shù)據(jù)為1020ms。xx是在s1s2之間的一段語(yǔ)音，以數(shù)組形式進(jìn)行表現(xiàn)。 MFCC特征參數(shù)的提取的實(shí)現(xiàn)過(guò)程 模板的建立與讀取 建立模板建立模板是把語(yǔ)音信號(hào)的特征參數(shù)轉(zhuǎn)化為相應(yīng)的二進(jìn)制文件，并把生成的二進(jìn)制文件轉(zhuǎn)化為相應(yīng)的MFCC數(shù)組，進(jìn)行顯示。該模板將語(yǔ)音信號(hào)的特征參數(shù)轉(zhuǎn)化為相應(yīng)的二進(jìn)制文件，以方便文件的保存與調(diào)用。通過(guò)建立模板可知，文件通過(guò)該程序后，其特征參數(shù)不改變，從而完成文件保存與特征提取。 語(yǔ)音信號(hào)模板的建立 。 語(yǔ)音信號(hào)模板建立的實(shí)現(xiàn)過(guò)程 讀取模板讀取模板是指把預(yù)先存儲(chǔ)好的二進(jìn)制文件轉(zhuǎn)化為相應(yīng)的模板特征參數(shù)，并通過(guò)數(shù)組形式進(jìn)行語(yǔ)音信號(hào)特征參數(shù)的輸出。 語(yǔ)音信號(hào)的讀取模板。 語(yǔ)音信號(hào)讀取模板的實(shí)現(xiàn)過(guò)程第五章 結(jié) 論本設(shè)計(jì)在基于“軟件就是儀器”的思想上，充分運(yùn)用虛擬儀器這款軟件進(jìn)一步深入分析了非特定人連續(xù)語(yǔ)音識(shí)別的處理方法、原理的研究策略，并借助虛擬儀器技術(shù)的廣泛應(yīng)用和聲卡獨(dú)具的特有功能進(jìn)行實(shí)時(shí)采集語(yǔ)音信號(hào)和播放語(yǔ)音信號(hào)進(jìn)行了具體的試驗(yàn)。對(duì)選用不同特征參數(shù)的提取方法和語(yǔ)音信號(hào)的參考特征模板庫(kù)的構(gòu)建進(jìn)行了方案討論和理論分析。本文研究的具體實(shí)現(xiàn)如下：(1) 把計(jì)算機(jī)內(nèi)部自帶的聲卡作為本次設(shè)計(jì)系統(tǒng)的數(shù)據(jù)采集卡，充分應(yīng)用了虛擬儀器的聲音信號(hào)數(shù)據(jù)實(shí)時(shí)采集分析的功能。(2) 本設(shè)計(jì)應(yīng)用電子測(cè)量?jī)x器與自動(dòng)測(cè)試領(lǐng)域的一項(xiàng)嶄新技術(shù)－虛擬儀器的專用語(yǔ)言LABVIEW，和對(duì)語(yǔ)音信號(hào)具有強(qiáng)大表述、計(jì)算能力和分析處理的MATLAB語(yǔ)言相結(jié)合的方法，實(shí)現(xiàn)了兩種軟件聯(lián)合編程的功能。(3) 由于漢語(yǔ)音節(jié)有聲調(diào)、韻母和聲母這些特點(diǎn)，其中韻母具有較低的過(guò)零率和較高的能量，而聲母具有較高的過(guò)零率和較低的能量的特點(diǎn)，本設(shè)計(jì)根據(jù)這些特點(diǎn)應(yīng)用了短時(shí)平均過(guò)零率法和短時(shí)能量法相結(jié)合的方法進(jìn)行端點(diǎn)檢測(cè)。大量實(shí)驗(yàn)表明，這種方法有比較好的分辨率和穩(wěn)定性。(4) 根據(jù)含噪語(yǔ)音信號(hào)特有的特點(diǎn)，即白噪聲主要集中在小波變換尺度較小的高頻部分，而有用信號(hào)在經(jīng)過(guò)小波變換后，語(yǔ)音信息主要集中在小波變換尺度較大的低頻部分，通過(guò)對(duì)語(yǔ)音消噪的方法進(jìn)行大量的比較后，最終選用了小波消噪的方法，同時(shí)結(jié)合傳統(tǒng)的消噪方法對(duì)原始語(yǔ)音信號(hào)進(jìn)行預(yù)處理，使得消噪效果得到了很大的改善。(5) 本設(shè)計(jì)系統(tǒng)通過(guò)分析說(shuō)話人聽(tīng)覺(jué)非線性特性和聲道特性，最后決定選擇美爾倒譜系數(shù)及其差分美爾倒譜系數(shù)(MFCC)作為說(shuō)話人識(shí)別的特征參數(shù)。本文對(duì)非特定人連續(xù)語(yǔ)音識(shí)別理論作了初步的研究，在特征提取方面還很粗糙，基本的特征提取方面本文只使用了MFCC參數(shù)， 在基本的特征參數(shù)提取方面還需要作進(jìn)一步的研究工作。由于時(shí)間上和本人自身能力的有限，論文工作中存在許多不足之處，敬請(qǐng)老師同學(xué)給予批評(píng)和指正。第六章 總結(jié)與展望 總結(jié)本文主要研究的是語(yǔ)音識(shí)別技術(shù)在功能測(cè)試系統(tǒng)中的應(yīng)用。首先研究了語(yǔ)音識(shí)別技術(shù)的基本原理，其中重點(diǎn)討論了語(yǔ)音信號(hào)特征參數(shù)提取算法和語(yǔ)音識(shí)別算法中的模板匹配算法，并應(yīng)用于本次設(shè)計(jì)的非特定人的語(yǔ)音識(shí)別系統(tǒng)中。其次，介紹了語(yǔ)音識(shí)別和虛擬儀器的基本概念，結(jié)合虛擬儀器開(kāi)發(fā)平臺(tái) LABVIEW 的特點(diǎn)對(duì)特征參數(shù)算法進(jìn)行改進(jìn)。最后，基于 LABVIEW 開(kāi)發(fā)平臺(tái)實(shí)現(xiàn)了這個(gè)非特定人語(yǔ)音識(shí)別系統(tǒng)。 本文的主要工作如下：1. 對(duì)語(yǔ)音識(shí)別技術(shù)原理進(jìn)行了深入的研究和討論，奠定了本文的理論基礎(chǔ)。2. 結(jié)合 LABVIEW 開(kāi)發(fā)平臺(tái)的特點(diǎn)，對(duì)語(yǔ)音特征參數(shù)提取算法進(jìn)行改進(jìn)，提高了計(jì)算效率，減少了識(shí)別時(shí)間。3. 應(yīng)用了基于模板匹配算法中的美爾頻率倒譜系數(shù)作為本系統(tǒng)中識(shí)別語(yǔ)音的特征參數(shù)，并在LABVIEW 平臺(tái)下進(jìn)行了仿真并分析仿真結(jié)果。4. 對(duì)非特定人語(yǔ)音識(shí)別系統(tǒng)進(jìn)行了系統(tǒng)的分析并設(shè)計(jì)，實(shí)現(xiàn)了智能人機(jī)交互控制面板中具有語(yǔ)音提示功能的自動(dòng)測(cè)試。 展望本文設(shè)計(jì)了一個(gè)基于語(yǔ)音識(shí)別技術(shù)的非特定人識(shí)別系統(tǒng)，并對(duì)該系統(tǒng)的語(yǔ)音提示功能進(jìn)行了自動(dòng)測(cè)試，基本達(dá)到了系統(tǒng)的設(shè)計(jì)需求。但是語(yǔ)音識(shí)別技術(shù)在智能測(cè)試系統(tǒng)中的應(yīng)用仍然只是一個(gè)初步的研究，系統(tǒng)仍需更多的研究和改進(jìn)。預(yù)想下一步的研究工作包括：1. 環(huán)境的噪聲對(duì)系統(tǒng)正常運(yùn)行的影響很大，語(yǔ)音特征參數(shù)對(duì)環(huán)境的魯棒性不強(qiáng)，需要進(jìn)一步研究語(yǔ)音噪聲增強(qiáng)算法，提高系統(tǒng)在噪聲環(huán)境下的魯棒性。，為增強(qiáng)測(cè)試系統(tǒng)的自然語(yǔ)音識(shí)別功能，需要進(jìn)一步研究連續(xù)語(yǔ)音識(shí)別算法，實(shí)現(xiàn)對(duì)連續(xù)語(yǔ)音的識(shí)別。3. 對(duì)于本文引用的基于模板匹配的識(shí)別算法，用MFCC作為語(yǔ)音的特征參數(shù)，從仿真數(shù)據(jù)來(lái)看，性能仍有待提高，需進(jìn)一步探索其改進(jìn)的方法。參考文獻(xiàn)[1] 易克初，田斌，付強(qiáng)，語(yǔ)音信號(hào)處理[M].北京:國(guó)防工業(yè)出版社，2000：3~7[2] Bellman R. Dynamic Programming[J]. Science, 1966, 153(3731):34~36.[3] Michael , Lawrence , An adaptive, ordered, graph search technique for Dynamic Time Warping for isolated word recognition.[J] IEEE,1982.[4] 韓紀(jì)慶，張磊，鄭鐵然，語(yǔ)音信號(hào)處理[J]，北京，清華大學(xué)出版社，2004：4~10[5] ，Estimation of Parameters in TimeSeries Regression Models[J]，Journal of the Royal Statistical Society，Series B，1960，22(1):139~153[6] Rabiner, Juang, . An introduction to Hidden Markov Models[J]. IEEE ASSP Magazine,1986,4~15[7] 謝錦輝，隱 MarKov 模型及其在語(yǔ)音處理中的應(yīng)用[M]武昌:華中理工大學(xué)出版社，1995：5~12[8] 王炳錫，屈丹，彭煊，實(shí)用語(yǔ)音識(shí)別基礎(chǔ)[M].北京:國(guó)防工業(yè)出版社，2005[9] 趙力，語(yǔ)音信號(hào)處理[M].北京：機(jī)械工業(yè)出版社，2003[10] 張雄偉，陳亮，楊吉斌，現(xiàn)代語(yǔ)音處理技術(shù)及應(yīng)用[M]，機(jī)械工業(yè)出版社，2003[11] Nasrabadi, King, Image Coding Using Vector Quantization: A review[J]. IEEE Trans on Communication, 1988, , 957~971[12] Thomas F. Quatieri, DiscreteTime Speech Signal Processing: Principles and Practice[J].Prentice Hall,2004[13] Chen, Copinath, A Continuous SpeakerIndependent Putonghua Dictation System. Proc[J]. International Conference Signal Processing, 1996:821~824[14] 劉加，漢語(yǔ)大詞匯量連續(xù)語(yǔ)音識(shí)別系統(tǒng)研究進(jìn)展[N].2000(1):85~92[15] 王士元，彭剛，語(yǔ)言、語(yǔ)音與技術(shù)[M]，上海：上海教育出版社 2006.[16