【正文】 if silence maxsilence % 靜音還不夠長，尚未結(jié)束 count = count + 1。 else % 靜音狀態(tài) status = 0。 silence = 0。 x2 = 0。temp=temp/10。for i=1:10。diffs = (tmp1 tmp2)。silence = 0。maxsilence = 8。amp1 = 10。Sons，1976．[10] 何強(qiáng)，何英．MATLAB擴(kuò)展編程[M]．第一版，北京：清華大學(xué)出版社．附錄A 部分程序%function [x1,x2] = vad(x)%幅度歸一化到[1,1]x = double(x)。 語音識別仿真下圖是數(shù)字1—6在MATLAB環(huán)境下的識別結(jié)果顯示圖16 數(shù)字1—6在MATLAB環(huán)境下的識別結(jié)果顯示結(jié) 論本文著重介紹的四個方面的知識：語音識別的發(fā)展歷史及前景、語音識別系統(tǒng)的基本理論、Dynamic Time Warping (DTW)算法和四狀態(tài)端點(diǎn)檢測法，仿真表明改進(jìn)型的DTW算法比傳統(tǒng)的DTW算法更精確，更快速；也表明四狀態(tài)的端點(diǎn)檢測法是基于動態(tài)噪聲設(shè)計(jì)的，有效好的抗噪能力。但是，改進(jìn)的DTW算法計(jì)算得到的距離明顯小于傳統(tǒng)的DTW算法。表1至表4中，行代表參考模板，列代表測試模板。 實(shí)驗(yàn)一是對單個字放、停、前、后、開、關(guān)的識別。語音端點(diǎn)檢測的好壞對系統(tǒng)的識別率有重要影響，基于動態(tài)噪聲的四狀態(tài)端點(diǎn)算法能夠比較好地檢測到語音的端點(diǎn)，可以減少數(shù)據(jù)量、提高處理速度，也為后續(xù)的孤立詞識別奠定基礎(chǔ)。從圖上可以看出，能夠準(zhǔn)確檢測到孤立詞的語音端點(diǎn)。計(jì)算過零率和短時能量之前要對讀取的語音信號進(jìn)行歸一化處理。而如果在起始過渡狀態(tài)中兩個參數(shù)只要有一個超過了高門限，就可以確定進(jìn)入有效語音狀態(tài)。圖11 “停止”的短時能量和過零率 端點(diǎn)檢測算法子程序流程圖status=1status=3status=0,silence=0count=0status=2,計(jì)算單字的起始端點(diǎn)能量或過零率大于高門限輸入一幀語音計(jì)算短時能量和過零率status等于0或1silcent=0能量或過零率超過低門限status=0count=0count=count+1silence=silence+1計(jì)算X2status等于2Silence小于靜音時間門限count小于語音長度門限能量或過零率大于低門限返 回NNNNNNNYYYYYYY圖12 基于四狀態(tài)轉(zhuǎn)移的端點(diǎn)檢測流程圖上圖[7]是基于動態(tài)噪聲的四狀態(tài)端點(diǎn)檢測方法的子程序流程圖。 如果輸入信號中有50Hz工頻干擾或者A/D變換點(diǎn)的工作點(diǎn)偏移時，用第二章中定義的短時過零率來區(qū)分無聲和清音就不可靠。設(shè)定六個門限值：短時能量和過零率分別有兩個門限，一個高門限，一個低門限；最短語音時間門限，防止誤檢，排除突發(fā)性的噪聲；最大靜音門限，確定語音是否結(jié)束。把整個端點(diǎn)檢測過程總共分成4個狀態(tài)：status0、statusstatus2和status3分別代表靜音狀態(tài)（含噪聲）、起始過渡狀態(tài)、語音狀態(tài)和結(jié)束狀態(tài)。圖9 預(yù)加重后的語音效果 改進(jìn)的端點(diǎn)檢測算法及仿真 改進(jìn)的端點(diǎn)檢測算法資料表明，語音識別錯誤的原因一半來自端點(diǎn)檢測。根據(jù)上式進(jìn)行預(yù)加重。由于語音識別系統(tǒng)牽涉的算法子程序比較多，為了方便驗(yàn)證。W i d t hNM圖7 對角線附近的帶狀區(qū)域圖在這個范圍之內(nèi)按動態(tài)規(guī)劃路徑計(jì)算累積匹配距離，可以進(jìn)一步減少存儲空間，減少計(jì)算量，提高識別速度。 ymin，ymax的計(jì)算如下式所示[3]Xa = Xb 時：12—12—x → 2 x x ≤ Xa2 x + (M – 2N ) → x + (M – N ) x ＞ Xa12—當(dāng)Xa ＜ Xb時比較分三段：12—12—12—12—12—x → 2 x x ≤ Xa x → x + (M – N ) Xa ＜ x ≤ Xb2 x + (M – 2N ) → x + (M – N ) x ＞ Xb12—當(dāng)Xa ＞ Xb時：12—12—12—12—12—x → 2 x x ≤ Xb x → x + (M – N ) Xb ＜ x ≤ Xa2 x + (M – 2N ) → x + (M – N ) x ＞ Xa12— 沿X軸上每前進(jìn)一幀，雖然所要比較的Y軸上的幀數(shù)不同，但彎曲特性是一樣的，這樣， 路徑的累積距離都為： D(x,y) = d(x,y) + min[D(x1,y) , D(x1,y1) , D(x1,y2)] （26）由于X 軸上每前進(jìn)一幀，只需要用到前一列的積累距離，所以只需兩個矢量D 和d 分別保存前一列的累積距離和當(dāng)前列的累積距離，而不用保存整個矩陣。 另外，因?yàn)槊恳涣懈鞲顸c(diǎn)上的匹配計(jì)算只用到了前一列的3 個網(wǎng)格，所以沒有必要保存所有的幀匹配距離矩陣和累積距離矩陣。 改進(jìn)的DTW算法通常，規(guī)整函數(shù)被限制在一個平行四邊形的網(wǎng)格內(nèi)，它的一條邊斜率為2，另一條邊斜率為1/ 2。求最佳路徑的問題即為：Σ D[n i，m i] = minN n i =1^m i =Φ(n i) ∈γΣ D[n i，m i] N n i =1m i =Φ(n i) ∈γΦ(●) （21）m i =Φ(n i) ^其中 為最佳路徑函數(shù)。如下圖所示：21 2 3 4 5 6 7 8 9 10 NM91345678圖5 DTW算法搜索路徑假設(shè)路徑通過的格點(diǎn)依次為(n1，m1)，…，(ni，mi)，…，(nN，mM)，其中(n1，m1)=(1，1)，(nN，mM)=(N，M)。 設(shè)測試模板T共有N幀，參考模板R共有M幀，將測試模板和參考模板的幀號分別在坐標(biāo)系的橫坐標(biāo)和縱坐標(biāo)上標(biāo)出，則各個幀號之間的關(guān)系可以形成一個網(wǎng)格，網(wǎng)格中的任何一個交叉點(diǎn)(n，m)表示測試模板的T（n）和參考模板的R（m）相交，并且該交叉點(diǎn)擁有幀失真為D[T(n)，R(m)]。在用DTW算法進(jìn)行識別判決時,由于測試語音與參考模式語音長短不同，因此需要通過DTW動態(tài)計(jì)算兩個長度不同的模式之間的相似程度，或者叫做失真距離。這是一個將時間規(guī)整和距離測度有機(jī)結(jié)合在一起的非線性規(guī)整技術(shù)，保證了待識別特征與模板特征之間最大的聲學(xué)相似特性和最小的時差失真。但是語音具有相當(dāng)大的隨機(jī)性，即使是同一個人在不同的時刻所講的同一句話、發(fā)同一個音，也不可能具有完全相同的時間長度。 在相同的參數(shù)維數(shù)下，Mel濾波器個數(shù)D對識別性能影響不大，這里取24，本文中，是將12階MFCC參數(shù)和它一階差分參數(shù)合并為一個矢量（24階），作為一幀語音信號的參數(shù)，因?yàn)閯討B(tài)信息和靜態(tài)信息形成互補(bǔ)，所以能很大程度上提高系統(tǒng)的識別性能。( 3 ) 計(jì)算其離散余弦變換。如圖3所示：m圖3 線性頻率上 fm 和 f 關(guān)系MFCC參數(shù)的計(jì)算是以“bark”為頻率基準(zhǔn)的，Mel頻率與線性頻率的轉(zhuǎn)換關(guān)系為：f mel = 2595 log10 (1+ )f700 （15）其中，線性頻率 f 的單位是 Hz [8]。 MFCC參數(shù)計(jì)算流程MFCC參數(shù)計(jì)算的要點(diǎn)是將線性功率譜S ( n)轉(zhuǎn)換成為mel頻率下的功率譜， 這需要在計(jì)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：Hm ( n) ，m = 0 … Y – 1，n = 0 … H /2 – 1Y為濾波器個數(shù)，H為一幀語音信號的點(diǎn)數(shù)。實(shí)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。語音特征參數(shù)提取是語音識別的關(guān)鍵問題，特征參數(shù)的好壞對于語音識別精度和識別時間有很大影響。定義Xn(m)的短時過零率Zn為：Zn = — Σ |sgn [Xn(m)]sgn[Xn(m1)]|N 1m=012 （14） 上式中，sgn[ ] 是符號函數(shù)。第n幀語音信號Xn(m)的短時能量En為：En = Σ |Xn(m)|N 1m=0 （13） 這里定義短時能量即短時幅值，它的主要作用：①區(qū)分濁音和清音，因?yàn)闈嵋舻亩虝r能量比清音大得多。 在實(shí)際應(yīng)用中，通常是利用過零率來檢測清音，用短時能量來檢測濁音，兩者配合實(shí)現(xiàn)可靠的端點(diǎn)檢測。分幀采用可移動的有限窗口進(jìn)行加權(quán)的方法實(shí)現(xiàn)，即用窗函數(shù)ω(n)來乘X(n)，從而形成加窗語音信號Xω(n)=X(n)* ω(n)。同時，還可以在一些先驗(yàn)知識的幫助下，提高識別的準(zhǔn)確率[3]。語音識別的過程可以被看作模式匹配的過程，模式匹配是指根據(jù)一定的準(zhǔn)則，使未知模式與模型庫中的某一個模型獲得最佳匹配的過程。第３章：針對本文采集的語音樣本，對預(yù)處理后的語音提出了基于動態(tài)噪聲有四狀態(tài)端點(diǎn)檢測法。本文主要是針對普通控制命令詞，小詞匯量的特定人孤立詞語音識別的研究。但語音識別技術(shù)要進(jìn)入成熟的商業(yè)運(yùn)用還有一段艱難的路程，還必須在很多方面取得突破性進(jìn)展。研究重點(diǎn)包括即興口語的識別和理解，自然口語對話，以及多語種的語音同聲翻譯[5]。80年代，的最大特點(diǎn)是從基于模板的方法向統(tǒng)計(jì)模型方法的轉(zhuǎn)變，特別是轉(zhuǎn)向研究隱馬爾柯夫模型HMM的理論、方法和實(shí)現(xiàn)問題。50年代，ATamp。 3．按識別的詞匯量可以分為小詞匯、中詞匯和大詞匯量語音識別。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(jī)。語音識別系統(tǒng)從不同角度、不同的應(yīng)用范圍等都會有不同的分類。隨著計(jì)算機(jī)技術(shù)、模式識別和信號處理技術(shù)以及聲學(xué)技術(shù)等的發(fā)展，使得語音識別技術(shù)取得顯著進(jìn)步，開始從實(shí)驗(yàn)室走向市場。利用這些算法對孤立詞的端點(diǎn)檢測效果，實(shí)驗(yàn)結(jié)果表明，些算法具有抗噪聲能力。本文就是在這種情況下對特定人孤立詞語音識別系統(tǒng)做了一些探討。一般要根據(jù)實(shí)際情況選取。10論文篇幅10000字左右。5論文質(zhì)量35%文題相符較好地完成論文選題的目的要求。10綜合運(yùn)用知識能力能運(yùn)用所學(xué)專業(yè)知識闡述問題；能對查閱的資料進(jìn)行整理和運(yùn)用；能對其科學(xué)論點(diǎn)進(jìn)行論證。評閱教師評定成績評審基元評審要素評審內(nèi)涵滿分評閱教師實(shí)評分選題質(zhì)量25%目的明確符合要求選題符合專業(yè)培養(yǎng)目標(biāo)，體現(xiàn)學(xué)科、專業(yè)特點(diǎn)和教學(xué)計(jì)劃的基本要求，達(dá)到畢業(yè)論文（設(shè)計(jì)）綜合訓(xùn)練的目的。15寫作規(guī)范符合學(xué)術(shù)論文的基本要求。5研究方法和手段的運(yùn)用能力能運(yùn)用本學(xué)科常規(guī)研究方法及相關(guān)研究手段（如計(jì)算機(jī)、實(shí)驗(yàn)儀器設(shè)備等）進(jìn)行實(shí)驗(yàn)、實(shí)踐并加工處理、總結(jié)信息。10選題恰當(dāng)題目規(guī)模適當(dāng)，難易度適中；有一定的科學(xué)性。提出了基于動態(tài)噪聲的四狀態(tài)端點(diǎn)檢測算法，給出了詳細(xì)的算法流程圖以及具體參數(shù)的設(shè)置。學(xué) 生 簽 名： 200 年 月 日 指導(dǎo)教師簽名： 200 年 月 日指導(dǎo)內(nèi)容記錄(八)修改論文初稿，摘要的修改，章節(jié)的調(diào)節(jié)，對仿真結(jié)果要分析，圖表的標(biāo)注和引用的參考文獻(xiàn)要規(guī)范。學(xué) 生 簽 名： 200 年 月 日 指導(dǎo)教師簽名： 200 年 月 日指導(dǎo)內(nèi)容記錄(四)語音樣本的采集，樣本語音庫和測試語音庫的建立。 簽名：