一种基于HMM和WNN混合模型的语音识别方法

摘要

语音识别技术已经被广泛应用于人们生产、生活的各个领域，长期以来一直是人们研究的热点。但是现有的语音识别系统仍然存在耗时、成本高、使用起来不方便等缺点。这些缺点都影响着语音识别的速度、硬件实现和推广应用。 基于能量的端点检测受环境噪声影响大。针对这一问题，本文对端点检测算法进行了一些改进性研究，即：利用语音声学信号的频谱分析来寻找连续语音信号帧的分割点，再结合音素分割方法，提高分割精度。实验表明改进的端点检测算法比传统的以信号的短时能量、过零率等简单特征作为判决特征参数的语音端点检测方法更适合语音的分割。这种算法对于清音和噪声，以及元音和辅音的区分都有很好的识别性能。 在分析隐马尔可夫模型(HMM)和小波神经网络(WNN)各自优、缺点的基础上，提出了基于CDHMM和WNN混合模型(HMMWNN)的汉语数字串语音识别方法。该方法首先利用HMM对语音信号进行时序建模，再使用Viterbi算法得到识别概率值，然后通过小波神经网络将HMM的识别概率值进行非线性映射，从而得出识别结果。 为了检验算法的有效性，在MATLAB6.5环境下对HMMWNN混合模型进行了仿真计算。并分别应用CDHMM模型和HMMWNN混合模型对非特定人进行汉语孤立数字和连续数字语音识别实验。结果表明，本文提出的模型和算法是有效的，与CDHMM模型方法相比，混合模型有较高的识别率和较大的应用优势。

目录

文摘

英文文摘

论文说明：图表目录

声明

第1章绪论

1.1国内外研究现状

1.2语音识别的技术难点

1.3本文的主要研究内容和章节安排

第2章语音信号的特性分析

2.1语音信号特征的参数的提取

2.1.1基音周基

2.1.2线性预测倒谱系数

2.1.3美尔倒谱系数

2.2端点检测

2.2.1语音端点的检测

2.2.2改时的端点检测算法

2.3本章小节

第3章语音识别的模型

3.1概述

3.2DTW模型

3.3隐马尔科夫模型

3.3.1HMM概述

3.3.2HMM的分类

3.3.3HMM的理论

3.3.4HMM中的实际问题

3.4人工神经网络

3.4.1人工神经网络的概述

3.4.2神经网络的学习方法

3.4.3神经网络的结构及工作方式

3.5本章小结

第4章基于HMM和神经网络的语音识别

4.1概述

4.2 HMM和神经网络的结合方式

4.3小波神经网络

4.3.1小波分析理论

4.3.2小波神经网络

4.4基于HMM和小波神经网络的语音识别方法

4.4.1基于HMM和小波神经网络模型的结构

4.4.2小波神经网络的设计

4.4.3 HMM和小波神经网络混合模型的语音识别系统

4.5本章小结

第5章仿真计算及结果分析

5.1仿真实验原理

5.2语音信号的获取

5.2.1语音信号的采集过程

5.2.2数字语音数据库的建立

5.3语音信号的前端处理

5.3.1预加重

5.3.2分帧和加窗

5.3.3端点检测和特征参数的提取

5.4训练和识别模型

5.4.1 HMM模型

5.4.2 HMM和小波神经网络的混合模型

5.5识别算法的性能分析

5.6本章小结

总结与展望

参考文献

致谢

附录A攻读硕士学位期间所发表的学术论文