語音識別的基本原理和語音識別的方法

1、本文格式為Word版，下載可任意編輯語音識別的基本原理和語音識別的方法 1、語音識別的基本原理 語音識別系統(tǒng)本質(zhì)上是一種模式識別系統(tǒng)，包括特征提取、模式匹配、參考模式庫等三個(gè)基本單元，它的基本結(jié)構(gòu)如下圖所示： 未知語音經(jīng)過話筒變換成電信號后加在識別系統(tǒng)的輸入端，首先經(jīng)過預(yù)處理，再依據(jù)人的語音特點(diǎn)建立語音模型，對輸入的語音信號進(jìn)行分析，并抽取所需的特 征，在此基礎(chǔ)上建立語音識別所需的模板。而計(jì)算機(jī)在識別過程中要依據(jù)語音識別的模型，將計(jì)算機(jī)中存放的語音模板與輸入的語音信號的特征進(jìn)行比較，依據(jù)肯定 的搜尋和匹配策略，找出一系列最優(yōu)的與輸入語音匹配的模板。然后依據(jù)此模板的定義，通過查表就可以給出計(jì)算機(jī)

2、的識別結(jié)果。明顯，這種最優(yōu)的結(jié)果與特征的選 擇、語音模型的好壞、模板是否精確都有直接的關(guān)系。 2、語音識別的方法 目前具有代表性的語音識別方法主要有動態(tài)時(shí)間規(guī)整技術(shù)（DTW）、隱馬爾可夫模型（HMM）、矢量量化（VQ）、人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機(jī)（SVM）等方法。 動態(tài)時(shí)間規(guī)整算法（Dynamic Time Warping，DTW）是在非特定人語音識別中一種簡潔有效的方法，該算法基于動態(tài)規(guī)劃的思想，解決了發(fā)音長短不一的模板匹配問題，是語音識別技術(shù)中出 現(xiàn)較早、較常用的一種算法。在應(yīng)用DTW算法進(jìn)行語音識別時(shí)，就是將已經(jīng)預(yù)處理和分幀過的語音測試信號和參考語音模板進(jìn)行比較以獵取他們之間的相

3、像度，按 照某種距離測度得出兩模板間的相像程度并選擇最佳路徑。 隱馬爾可夫模型（HMM）是語音信號處理中的一種統(tǒng)計(jì)模型，是由Markov鏈 演化來的，所以它是基于參數(shù)模型的統(tǒng)計(jì)識別方法。由于其模式庫是通過反復(fù)訓(xùn)練形成的與訓(xùn)練輸出信號吻合概率最大的最佳模型參數(shù)而不是預(yù)先儲存好的模式樣 本，且其識別過程中運(yùn)用待識別語音序列與HMM參數(shù)之間的似然概率達(dá)到最大值所對應(yīng)的最佳狀態(tài)序列作為識別輸出，因此是較抱負(fù)的語音識別模型。 矢量量化（Vector Quantization）是一種重要的信號壓縮方法。與HMM相比，矢量量化主要適用于小詞匯量、孤立詞的語音識別中。其過程是將若干個(gè)語音信號波形或 特征參數(shù)的

4、標(biāo)量數(shù)據(jù)組成一個(gè)矢量在多維空間進(jìn)行整體量化。把矢量空間分成若干個(gè)小區(qū)域，每個(gè)小區(qū)域查找一個(gè)代表矢量，量化時(shí)落入小區(qū)域的矢量就用這個(gè)代表 矢量代替。矢量量化器的設(shè)計(jì)就是從大量信號樣本中訓(xùn)練出好的碼書，從實(shí)際效果動身查找到好的失真測度定義公式，設(shè)計(jì)出最佳的矢量量化系統(tǒng)，用最少的搜尋和 計(jì)算失真的運(yùn)算量實(shí)現(xiàn)最大可能的平均信噪比。 在實(shí)際的應(yīng)用過程中，人們還討論了多種降低簡單度的方法，包括無記憶的矢量量化、有記憶的矢量量化和模糊矢量量化方法。 人工神經(jīng)網(wǎng)絡(luò)（ANN）是20世紀(jì)80年月末期提出的一種新的語音識別方法。其本質(zhì)上是一個(gè)自適應(yīng)非線性動力學(xué)系統(tǒng)，模擬了人類神經(jīng)活動的原理，具有自 適應(yīng)性、并行性、

5、魯棒性、容錯(cuò)性和學(xué)習(xí)特性，其強(qiáng)大的分類力量和輸入輸出映射力量在語音識別中都很有吸引力。其方法是模擬人腦思維機(jī)制的工程模型，它與 HMM正好相反，其分類決策力量和對不確定信息的描述力量得到舉世公認(rèn)，但它對動態(tài)時(shí)間信號的描述力量尚不盡如人意，通常MLP分類器只能解決靜態(tài)模式分 類問題，并不涉準(zhǔn)時(shí)間序列的處理。盡管學(xué)者們提出了很多含反饋的結(jié)構(gòu)，但它們?nèi)圆蛔阋钥坍嬛T如語音信號這種時(shí)間序列的動態(tài)特性。由于ANN不能很好地描述 語音信號的時(shí)間動態(tài)特性，所以常把ANN與傳統(tǒng)識別方法結(jié)合，分別利用各自優(yōu)點(diǎn)來進(jìn)行語音識別而克服HMM和ANN各自的缺點(diǎn)。近年來結(jié)合神經(jīng)網(wǎng)絡(luò)和隱含 馬爾可夫模型的識別算法討論取得了顯著進(jìn)展，其識別率已經(jīng)接近隱含馬爾可夫模型的識別系統(tǒng)，進(jìn)一步提高了語音識別的魯棒性和精確率。 支持向量機(jī)（Support vector machine）是應(yīng)用統(tǒng)計(jì)學(xué)理論的一種新的學(xué)習(xí)機(jī)模型，采納結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理（Structural Risk Minimization，SRM），有效克