基于HMM与小波神经网络的语音识别系统研究

摘要

语音识别由于其重要的理论价值与广阔的应用前景，受到人们的广泛重视。目前，语音识别研究大部分以线性系统理论为基础，主要应用隐马尔可夫模型(HMM)与动态时间规整(DTW)等技术。由于语音是一个复杂的非线性过程，基于线性系统理论的语音识别方法的局限性越来越凸显，必须引入非线性理论和方法。本文分别针对语音识别预处理、特征参数提取和识别等几个方面进行了研究。 1.研究了基于线性预测美尔倒谱系数(LPMCC)与美尔频率倒谱系数(MFCC)组合的语音信号特征参数提取方法。实验表明，在不同信噪比的情况下，该方法较其他特征参数提取方法具有更高的识别率。 2.针对语音信号预处理阶段，在噪声背景下直接进行端点检测和特征参数提取易对语音识别结果造成偏差的问题，研究了具有尺度自适应的改进小波阈值函数去噪算法。实验表明，该方法能有效地去除噪声，同时重构信号能较好地表示原始语音。 3.综合利用隐马尔可夫模型(HMM)能够有效提取时序特征和小波神经网络(WNN)能进行细分类的特点，将HMM与小波神经网络模型相结合，研究了基于HMM与小波神经网络的语音识别方法。通过实验表明该方法在不同信噪比下较传统HMM识别率更高，在低信噪比的情况下效果更为明显。其中在小波神经网络的学习算法方面，引入PID控制原理，提出了一种基于梯度PID的小波神经网络训练算法，实验表明该训练方法较传统的梯度算法收敛速度更快。 4.以实际机器人AS-R系统为平台，开发了机器人语音控制系统，主要包括语音识别、无线网络通信和机器人运动控制三部分，完成了软件系统设计，并进行了实际系统调试。

目录

文摘

英文文摘

声明

1绪论

1.1引言

1.2语音识别技术的发展与现状

1.3语音识别面临的问题

1.4本文的主要工作

2语音信号特征参数提取

2.1语音识别基本原理

2.2语音信号的预处理

2.3基于LPMCC与MFCC的组合特征参数提取

2.3.1特征参数LPC的提取

2.3.2特征参数LPCC的提取

2.3.3组合特征参数提取

2.3.4实验结果

2.4本章小结

3基于阈值决策的小波降噪处理

3.1小波分析

3.1.1小波变换的发展及应用

3.1.2小波定义

3.1.3连续小波变换

3.1.4连续小波变换的离散化

3.1.5二进小波变换

3.1.6多分辨率分析

3.1.7一维Mallat算法

3.2基于小波分析的语音信号预处理

3.2.1小波降噪的基本原理

3.2.2基于尺度自适应的改进阈值函数小波降噪算法

3.2.3实验结果

3.3本章小结

4基于HMM和小波神经网络的语音识别系统

4.1隐马尔可夫模型

4.1.1隐马尔可夫模型的数学描述

4.1.2 HMM模型中的三个基本问题

4.2小波神经网络

4.2.1小波神经网络的产生和发展

4.2.2小波神经网络模型的构建

4.2.3小波网络与其他神经网络的比较

4.3基于梯度PID的小波神经网络训练

4.3.1常规小波神经网络的设计及其学习算法

4.3.2基于梯度PID的小波神经网络训练算法

4.3.3实验结果

4.4 HMM/WNN混合模型语音识别方法

4.4.1 HMM语音识别原理

4.4.2基于HMM/WNN混合模型的语音识别系统

4.4.3实验结果

4.5本章小结

5机器人语音控制系统

5 1系统组成

5 1.1移动机器人AS-R

5.1.2无线网络设备

5.1.3机器人语音控制系统原理

5.2语音识别

5.3无线网络通信

5.3.1服务器端(主机端)

5.3.2客户端(机器人端)

5.4机器人运动控制

5.5本章小结

总结与展望

致谢

参考文献