基于HMM噪声背景下的语音识别方法的研究

摘要

语音识别以语音信号为研究对象，是语音信号处理的一个重要研究方向，是模式识别的一个分支，涉及到语言学、计算机科学、信号处理以及生理学、心理学等诸多领域，甚至还涉及到人的体态语言，其最终目标是实现人与机器进行自然语言通信。语音识别具有广阔的应用前景，已经在听写机、电话查询系统、家电控制等诸多领域获得到了充分的应用。然而在应用和产业化的过程中，诸多难题逐渐显现出来。尤其是背景噪声的问题，在实际的应用中几乎是无法避免的。研究将要解决的问题就是如何把原始语音从背景噪声中分离出来，这将会使识别系统具有很强的适应性。因此研究语音识别技术具有十分重要的意义。　　本论文正是针对背景噪声这一难点，对汉语语音识别系统中的几个方面分别提出了相应的改进算法，并且验证了其可行性及有效性。论文首先对语音识别系统中涉及到的基本概念及原理进行了简单的介绍，之后分别针对语音识别系统中预处理阶段的端点检测算法、语音信号的特征提取算法以及模式匹配和模型训练算法进行了深入的理论研究。将小波变换应用于带噪语音的端点检测算法，在信噪比逐渐降低的过程中仍然保持了较为理想的检测效果；利用频率倒谱系数作为语音信号的特征参数，由于考虑了人类发声与接收声音的特性，因此具有更好的抗噪鲁棒性；针对如何克服HMM模型的一阶假设和独立性假设带来的问题，引入神经网络的方法，将二者有机地结合起来，提出了一种HMM/SOFMNN的混合模型，在一定程度上克服了HMM局限性的问题，并且有效地提高了系统的抗噪性能。　　实验证明，综合各部分的改进算法建立起来的非特定人汉语数字语音识别系统，在信噪比为12db时识别率能达到94.5％，具有良好的抗噪性能。

目录

文摘

英文文摘

哈尔滨工程大学学位论文原创性声明

第1章绪论

1.1引言

1.2语音识别技术的发展史及其研究现状

1.3语音识别系统的研究目的、意义

1.4语音识别系统的结构

1.4.1语音识别单元的选取

1.4.2特征参数提取技术

1.4.3模式匹配及模型训练技术

1.5本论文所完成的主要工作

第2章语音信号的预处理

2.1引言

2.2传统的语音端点检测方法

2.3基于小波变换的语音端点检测方法

2.4实验结果及分析

2.5本章小结

第3章语音信号的特征参数及提取

3.1引言

3.2用特征参数LPC进行特征提取

3.3用特征参数LPCC进行特征提取

3.4用特征参数MFCC进行特征提取

3.5仿真结果

3.6本章小结

第4章基于HMM模型的语音识别方法

4.1引言

4.2 HMM模型中的三个基本问题

4.3前向-后向算法

4.3.1前向算法

4.3.2后向算法

4.3.3前向-后向算法

4.4寻找最佳状态序列

4.5第三个问题：参数估计问题

4.6实验结果及分析

4.7本章小结

第5章基于HMM/ANN混合模型的语音识别系统

5.1神经网络的基本原理

5.2自组织特征映射神经网络应用于语音识别

5.3将HMM与SOFM相结合的方法

5.4实验结果及分析

5.5本章小结

结论

参考文献

攻读硕士学位期间所发表的论文和取得的科技成果

致 谢