基于HMM（Hidden Markov Model）语音模型的优化研究

摘要

语音识别拥有可观的应用背景，同时作为一个交叉学科也具有深远的理论研究价值。本论文分别采用进化算法和隐马尔可夫模型，主要的研究内容是提出将Baum-Welch 与进化算法结合训练隐马尔可夫模型，实现了基于 DHMM 非特定人语音识别方案。非特定人语音识别是不限定人的一种语音识别技术，有良好的应用前景，而隐马尔可夫模型是自动语音识别领域应用最广泛，效果最好的一个模型。 本论文从非特定人语音识别系统的各个角度进行研究，实现了包括语音采集，端点检测，特征提取直到产生识别结果的非特定人语音识别系统。在该系统的基础上，做下列几个方面的研究工作： 1．语音采集。语音采集的效果直接影响着整个系统后续几个步骤的实施。本文实现根据设定的语音信号参数和命名规则自动连续采集并保存语音信号。 2．端点检测和MFCC特征提取。语音中有多种方法进行端点检测和特征提取以减少语音信号的数据量。本文中分别对短端点检测、特征提取的方法进行了讨论。考虑到这个过程对整体性能影响，通过实验找出影响的因素并给出分析。 3．训练方法的改进。HMM 用 Baum-Welch 算法解决 HMM 训练问题，即HMM 参数估计问题。但是该算法只能得到一个局部最优模型。本论文讨论了把进化算法引入到训练中，提出将Baum-Welch 与进化算法结合的一种改进的训练方法。最后实验得出，在基于DHMM的非特定人语音识别系统中Baum-Welch与进化算法结合的训练方法优于传统的训练方法，提高了识别率。

目录

文摘

英文文摘

声明

第1章引言

1.1课题来源及研究意义

1.2语音识别简介

1.2.1语音识别的特点和分类方式

1.2.2语音识别的研究现状

1.2.3语音识别面临难点

1.2.4语音识别发展趋势

1.3语音识别系统

1.3.1语音识别原理

1.3.2语音信号预处理

1.3.3语音信号特征提取

1.3.4语音识别的模型

1.4研究工作概述

1.5论文组织结构

第2章基于HMM的语音识别

2.1HMM基本原理

2.1.1马尔可夫链

2.1.2 HMM定义

2.2HMM的三个问题

2.2.1评估问题：前向—后向算法

2.2.2解码问题：Viterbi算法

2.2.3学习问题：Baum-Welch算法

2.3 HMM缺陷

2.4HMM实现语音识别

2.4.1HMM状态数的确定

2.4.2观测序列概率(B)

2.4.3初始状态概率

2.4.4模型参数重估

2.5本章小结

第3章语音信号预处理

3.1系统总体方案

3.2 MATLAB

3.2.1 MATLAB简介

3.2.2 MATLAB产生的历史背景

3.2.3 MATLAB的语言特点

3.2.4语音工具箱

3.3录音程序的具体实现

3.3.1数字语音信号

3.3.2 MATLAB处理语音信号

3.3.3流程图

3.3.2源程序

3.3.4运行图

3.4端点检测

3.4.1时域

3.4.2短时傅立叶变换STFT

3.4.3谱熵

3.5端点检测的具体实现

3.5.1流程图

3.5.2源程序

3.5.3运行图

3.6本章小结

第4章语音信号特征提取

4.1线性预测倒谱参数(LPCC)

4.2 Mel倒谱系数MFCC

4.3 MFCC的具体实现

4.3.1流程图

4.3.2源程序

4.4本章小结

第5章HMM的改进

5.1基于DHMM非特定人语音识别系统

5.1.1识别流程

5.1.2矢量量化

5.2进化算法EA

5.2.1进化算法的特点

5.2.2进化算法流程

5.3改进的思路

5.4进化Baum-Welch算法

5.5实验结果与分析

第6章全文总结与展望

6.1全文总结

6.2存在问题

6.3展望

参考文献

致谢

附录