基于HMM與小波神經(jīng)網(wǎng)絡(luò)的語音識(shí)別系統(tǒng)研究.pdf

1、語音識(shí)別由于其重要的理論價(jià)值與廣闊的應(yīng)用前景，受到人們的廣泛重視。目前，語音識(shí)別研究大部分以線性系統(tǒng)理論為基礎(chǔ)，主要應(yīng)用隱馬爾可夫模型(HMM)與動(dòng)態(tài)時(shí)間規(guī)整(DTW)等技術(shù)。由于語音是一個(gè)復(fù)雜的非線性過程，基于線性系統(tǒng)理論的語音識(shí)別方法的局限性越來越凸顯，必須引入非線性理論和方法。本文分別針對(duì)語音識(shí)別預(yù)處理、特征參數(shù)提取和識(shí)別等幾個(gè)方面進(jìn)行了研究。 1.研究了基于線性預(yù)測(cè)美爾倒譜系數(shù)(LPMCC)與美爾頻率倒譜系數(shù)(MFCC)

2、組合的語音信號(hào)特征參數(shù)提取方法。實(shí)驗(yàn)表明，在不同信噪比的情況下，該方法較其他特征參數(shù)提取方法具有更高的識(shí)別率。 2.針對(duì)語音信號(hào)預(yù)處理階段，在噪聲背景下直接進(jìn)行端點(diǎn)檢測(cè)和特征參數(shù)提取易對(duì)語音識(shí)別結(jié)果造成偏差的問題，研究了具有尺度自適應(yīng)的改進(jìn)小波閾值函數(shù)去噪算法。實(shí)驗(yàn)表明，該方法能有效地去除噪聲，同時(shí)重構(gòu)信號(hào)能較好地表示原始語音。 3.綜合利用隱馬爾可夫模型(HMM)能夠有效提取時(shí)序特征和小波神經(jīng)網(wǎng)絡(luò)(WNN)能進(jìn)行細(xì)分類

3、的特點(diǎn)，將HMM與小波神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，研究了基于HMM與小波神經(jīng)網(wǎng)絡(luò)的語音識(shí)別方法。通過實(shí)驗(yàn)表明該方法在不同信噪比下較傳統(tǒng)HMM識(shí)別率更高，在低信噪比的情況下效果更為明顯。其中在小波神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法方面，引入PID控制原理，提出了一種基于梯度PID的小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，實(shí)驗(yàn)表明該訓(xùn)練方法較傳統(tǒng)的梯度算法收斂速度更快。 4.以實(shí)際機(jī)器人AS-R系統(tǒng)為平臺(tái)，開發(fā)了機(jī)器人語音控制系統(tǒng)，主要包括語音識(shí)別、無線網(wǎng)絡(luò)通信和機(jī)器人運(yùn)動(dòng)