复杂环境非特定人语音识别方法研究

摘要

随着计算机技术的飞速发展，便捷的语音交互系统已经成为实现人机交互的一种重要手段。语音交互系统能够对人的语音进行识别和理解并转换成相应的语音输出或控制命令而执行相应的操作。语音识别的对象是语音信号，它是语音信号处理的一个重要分支，经过几十年的发展已经形成了完整的理论体系和多种算法识别模型，具有广阔的应用前景。本文所研究的隐马尔科夫模型(HMM)就是其中的一种模型，它具有较好的鲁棒性和识别性能。
　　 在语音识别实际的环境中存在各种各样的噪声，以及训练环境和识别环境的不同，导致绝大多数语音识别系统在噪声环境中的性能不可避免的下降。为了提高语音识别系统的自适应性和鲁棒性，采用语音增强技术去除噪声就显得尤为重要。因此，本文研究了卡尔曼和小波变换这两种去噪技术，并进行了仿真，仿真的结果表明小波去噪相比卡尔曼去噪有较好的去噪性能，尤其是在低信噪比环境下，如在—5dB时，能够提高19．41％，因此，在本系统设计中采用小波去噪进行语音增强。
　　 本文研究了军用飞机座舱内复杂噪声环境下的语音增强算法，并以PC机为平台设计了一套飞机员用以语音控制飞机飞行的基于HMM的实时口令识别系统软件，为进一步开展了工程化的研究，成功将该系统移植到基于Linux的嵌入式系统中，并根据测试结果，改变系统不同的参数，找出最适合系统的参数设定。同时还对系统进行perl脚本测试，测试了系统在不同信噪比下的识别率，并对测试结果做了分析和总结。测试结果表明系统具有良好的识别率，在10dB的噪声环境下能够达到97．73％的识别率。

目录

文摘

英文文摘

第1章 绪论

1.1 概述

1.2 语音识别技术简介

1.2.1 语音识别的基本原理

1.2.2 语音识别的基本方法

1.3 语音识别的发展概况和研究现状

1.4 语音识别中存在的难点和问题

1.5 本文的主要研究内容

第2章 隐马尔可夫模型

2.1 马尔可夫链的定义

2.2 隐马尔可夫模型的定义

2.3 隐马尔可夫模型的三个问题及其解决方案

2.3.1 评估问题的解决-前向-后向算法

2.3.2 解码问题的解决-Viterbi算法

2.3.3 学习(训练)问题的解决-Baum-Welch算法

2.4 HMM算法实现

2.4.1 HMM状态数的确定

2.4.2 初始概率分布

2.4.3 模型B参数重估

2.4.4 多观察值序列训练

2.4.5 解决训练数据不足的问题

第3章 语音增强技术

3.1 噪声的分类

3.2 卡尔曼滤波

3.2.1 语音信号的线性预测分析

3.2.2 卡尔曼滤波

3.3 小波变换去噪

3.3.1 连续小波变换

3.3.2 离散小波变换

3.3.3 平稳小波变换

3.3.4 小波阈值去噪方法的研究

3.4 两种滤波方法的实验结果

第4章 基于HMM的口令识别系统

4.1 口令识别系统原理

4.2 语音信号的预处理

4.3 端点检测

4.4 Mel倒谱系数MFCC

4.4.1 MFCC的优点

4.4.2 MFCC的计算过程

第5章 基于HMM的语音实时口令识别系统的设计与实现

5.1 语音识别系统的实现

5.1.1 语音模型训练

5.1.2 语音识别测试

5.2 基于LINUX嵌入式系统的程序移植

5.2.1 程序移植流程简介

5.2.2 移植程序说明

5.2.3 移植结果

5.3 语音识别系统性能测试

5.3.1 实时测试结果与分析

5.3.2 基于perl脚本的测试

5.3.3 perl脚本测试实验数据库

5.3.4 perl测试实验结果

5.3.5 测试结果分析

第6章 总结与展望

参考文献

致谢

攻读学位期间发表的学术论文