基于隐马尔柯夫模型的汉语连续语音识别研究

摘要

该论文在前人工作的基础上,主要研究了隐马尔柯夫模型在语音识别中的应用问题,具体工作如下;1、该文首先对语音信号的预处理和特征提取问题进行了讨论,通过对语音识别中的两种重要的语音信号分析方法的详细讨论,提取了两个有效的语音识别特征参-MFCC倒谱系数和LPC倒谱系数.2、其次该文着重讨论了隐马尔柯夫模型(HMM)在语音识别中的应用.2、再次本文讨论了隐马尔柯夫模型的推广-随机分段模型(SM),包括SM的基本原理、SM与HMM的联系和区别、SM在连续语音识别应用中的训练和识别算法.4、最后该文对语音识别后处理中的语言模型进行了讨论,着重讨论了语言模型知识在语音识别问题中的应用,包括任务语法的确定,识别语言单位的选择、子词模型的建立及其到三连音模型转化,参数拭捆绑等.

目录

文摘

英文文摘

第一章绪论

1.1引言

1.2语音识别系统结构

1.2.1语音信号采样和预处理部分

1.2.2特征参数提取部分

1.2.3语音识别核心部分

1.2.4语音识别后处理部分

1.3孤立词语音识别和连续语音识别

1.4研究重点和论文内容的安排

第二章语音信号分析和特征提取

2.1发声系统和听觉系统数字模型

2.1.1语音发声系统的数字模型

2.1.2人类听觉系统的模型

2.2语音信号分析

2.2.1语音信号的滤波器组分析

2.2.2语音信号的线性预测编码分析

2.3语音特征提取

2.3.1倒谱特征

2.3.2动态特征

2.4小结

第三章隐马尔柯夫模型(HMM)在语音识别中的应用

3.1 HMM的基本知识

3.2基于HMM的孤立词语音识别

3.2.1基本原理

3.2.2模型训练算法

3.2.3识别算法

3.2.4实验结果和分析

3.3基于HMM的连续语音识别

3.3.1基本原理

3.3.2训练算法

3.3.3识别算法

3.3.4实验结果和分析

3.4 HMM在实际应用中的一些改进

3.4.1状态驻留处理

3.4.2数值缩放处理

3.4.3模型平滑处理

3.5小结

第四章基于随机分段模型(SM)的连续语音识别

4.1 SM和HMM

4.1.1 SM和HMM的关系

4.1.2 SM的定义

4.2基于SM的语音识别和模型训练算法

4.2.1识别算法

4.2.2模型训练算法

4.3实验结果和分析

4.4小结

第五章语音识别后处理

5.1统计语言模型

5.1.1汉语语言单位

5.2语言模型在语音识别中的应用

5.2.1识别单位的选择

5.2.2语法规则和发音规则的确定

5.2.3模型的建立

5.2.4参数捆绑

5.3小结

第六章总结和展望

6.1本文所做的工作

6.2对将来工作的展望

参考文献

致谢

攻读学位期间发表的学术论文目录