基于改进的HMM/SVM构架的语音识别系统的研究

摘要

语音识别是根据语音波形中反映说话人生理和行为特征的语音参数，自动识别出说话人的过程，是语音信号处理的一个重要研究方向。作为一种生物识别技术，它具有广泛的应用前景，得到人们越来越多的研究。 本文研究了隐马尔可夫模型(HMM)和支持向量机(SVM)应用于语音识别技术的原理和方法。主要研究工作和创新点如下： (1)探讨了语音识别的基本理论、连续语音识别相关技术及其发展现状。 (2)深入研究了HMM的基本理论以及其主要算法，并在此基础上，对其中的训练方法进行了改进，提出了改进后的基于HMM模型的连续语音识别系统的框架。 (3)研究了支持向量机的统计学习理论基础和支持向量机在模式识别方面的应用。 (4)将支持向量机引入到基于改进的HMM模型的连续语音识别系统框架之中，构成了一个混合框架。这个混合框架结合了两种模型的优势，并应用于数字语音识别系统当中。

目录

文摘

英文文摘

声明

第一章 绪 论

1.1选题的目的与意义

1.2语音识别的发展历史

1.2.1 国外研究历史及现状

1.2.2 国内研究历史及现状

1.3语音识别的一些主要技术问题

1.4本文的组织结构

第二章 语音识别概述

2.1语音识别原理

2.2语音信号预处理

2.2.1 预加重

2.2.2分帧

2.2.3加窗

2.3语音信号的端点检测

2.3.1 短时能量

2.3.2短时平均过零率

2.3.3 自相关系数

2.4特征参数提取

2.4.1 LPCC特征提取方法

2.4.2 MFCC特征提取方法

2.4.3 MFCC与LPCC的比较

2.5本章小结

第三章基于HMM的语音识别系统研究

3.1 HMM定义

3.1.1马儿可夫链

3.1.2 HMM基本思想

3.1.3 HMM的定义

3.2 HMM的三个基本问题及其解决

3.2.1 前向--后向算法

3.2.2 Viterbi算法

3.2.3 Baum-Welch算法

3.3基于MMIE准则的判别训练方法

3.4改进的MMIE训练方法

3.4.1适应度函数

3.4.2选择策略

3.4.3 遗传算子

3.4.4基因选择算子

3.5本章小结

第四章 统计学习与支持向量机

4.1 引言

4.2机器学习的基本问题和方法

4.2.1机器学习问题的表示

4.2.2经验风险最小化

4.2.3复杂性与推广能力

4.3统计学习理论的核心内容

4.3.1 VC维

4.3.2推广性的界

4.3.3结构风险最小化

4.4 SVM的基本思想

4.4.1最优分类面

4.4.2核函数

4.5 SVM的多类分类方法研究

4.6改进的HMM/SW混合语音识别系统框架

4.6.1分类器的设计

4.6.2 SVM距离到后验概率的转化

4.6.3 SVM特征矢量构建的段落模型

4.6.4系统架构

4.7本章小结

第五章实验与测试

5.1 实验的硬件和软件环境

5.2语音数据库的提取

5.3语音识别系统评价

5.4实验流程

5.4.1 预处理

5.4.2特征提取

5.4.3选择核函数

5.5改进的HMM/SVM训练与测试

5.5.1训练集上识别率的实验

5.5.2测试集上识别率的实验

5.5.3对单个数字的识别率的比较

5.5.4对连续数字的识别率的比较

5.6本章小结

第六章结论与展望

6.1本文总结

6.2本文展望

参考文献

硕士期间发表论文和参加科研项目情况

致 谢