基于matlab的語音識別系統的設計本科畢業設計-文庫吧在線文庫

　　

【正文】 dealing with signal processing. It gives a terrific shortcut to the research of signal processing,especially the wave analysis. We can characterize the sound with key parameters such as intensity, frequency etc. In this paper, hidden Markov model (HMM) recognition algorithm using MFCC (MEL frequency cepstral coefficients) as the main voice characteristic parameters, the establishment of a Chinese digital speech recognition system, including the preprocessing of the speech signal,the extraction of characteristic parameters the training of the recognition template,identifying matching algorithm。Bell實驗室的S．Pruzansky提出了模版匹配和概率統計方差分析的聲紋識別方法，形成了聲紋識別研究的一個高潮。IBM、Microsoft、Lamp。漢語語音識別研究已經走上組織化的道路。語音識別是近年來十分活躍的一個研究領域。從識別對象的類型來看，語音識別可以分為特定人(Speaker Dependent)語音識別和非特定人(Speaker Independent)語音識別。2，各階參數之間有良好的獨立性。首先，帶口音(Dialect)語音的識別。優化過程對所有系統的表現都會有提高，也可以解決小范圍的口音問題。在這方面，Nuance優化的語音參數、靈活的模型結構、新的建模方法以及獨有的噪音抑制功能，使得系統在背景環境噪聲、手機、車載免提等高噪音環境下能保持良好的工作狀況。例如，“我對我的手機上的一些功能不太明白，想問一下”，或者“嗯，我的賬單應該到期了，請幫我查一下要交多少錢”。一位業界的資深人士對IT產業發展的提出的八大預言之一即為：語音成為新人機界面。(4)信息理論和計算機科學：各種算法的研究、快速搜索查找匹配的方法。音節是由音素結合而成的發聲最小單位，一個音節由“元音”和“輔音”構成。所以，在漢語的相互交談中，不但要憑借不同的元音和輔音來辨別這些字或詞的意義，還需要從不同的聲調來區別它，也就是說聲調有辨義作用。 聲調的四種模式語音信號是聲道被激勵發生共振而產生的輸出。在實際語音信號處理中，采樣頻率通常為7～10kHz。上式表明，量化器中每位字長對SNR貢獻為6dB。這樣，不僅能夠進行預加重，而且可以壓縮信號的動態范圍，有效地提高信噪比。如果頻率干擾(50或60Hz)不嚴重或另有抗干擾措施，則不必用帶通濾波器而只用低通濾波器即可。在取數據時，前一幀與后一幀的交疊部分稱為幀移。其一般式為，其中T[*]表示某種運算{x(m)}為輸入信號序列。可以看出，短時能量可以看作語音信號的平方經過一個線性濾波器的輸出，該線性濾波器的單位沖激響應為h(n)。對于離散信號，它實質上是信號采樣點符號變化的次數。 語音信號“0”的短時平均過零率語音信號xw(n)的短時自相關函數Rn(k)的計算式如下： (28)這里K是最大的延遲點數。)，則相距為周期的整數倍的樣點上的幅值是相等的，差值為零。正確確定語音端點也會減少系統的計算量和存儲量。因此，對語音信號進行頻譜分析，是認識語音信號和處理語音信號的的重要方法。這種信號可以輸入計算機進行各種分析和處理。 幾種基于短時傅里葉變換譜之間的關系 LPCC倒譜系數線性預測倒譜參數(Linear Prediction Cepstrum Coefficient，LPCC)是線性預測系數在倒譜域中的表示，該特征是基于語音信號為自回歸信號的假設，利用線性預測分析獲得倒譜系數。MFCC不同于LPCC。(3) 將每個濾波器的輸出取對數，得到相應頻帶的對數功率譜；并進行反離散余弦變換，得到L個MFCC系數，一般L取12～16個左右。在訓練和建立模板階段以及在識別階段，都采用端點檢測算法確定語音的起點和終點。DTW算法是把時間規正和距離測度計算結合起來的一種非線性規正技術。它用滿足一定條件的時間規正函數w(n)描述輸入模板和參考模板的時間對應關系，求解二模板匹配時累計距離最小所對應的規正函數：所以DTW保證了二模板間存在的最大聲學相似性。如果能將這些原理加以發現并且歸納為一些規則，由計算機執行，就能接近人類同樣的水平。人工神經網絡的出發點是通過模擬大腦的機制(實際上人們到目前為止還不完全清楚大腦的思維機制)，將包括聽覺系統的生物神經系統的信息處理機制引入機器學習的研究中，使其具有學習和理解的能力。這些實驗都取得了很好的分類結果，充分顯示了神經網絡強大的分類區分能力。在靜態識別中，神經網絡一次輸入整個待識的語音特征矢量序列，然后做出一個判決。目前所能見到的各種性能優良的連續語音識別系統幾乎無一例外地采用了這種模型。 基于HMM的語音識別框圖目前，基本上所有實驗系統和實用化的產品都是使用HMM方法，比如IBM公司的ViaVoice系統、卡內基梅隆大學SPHINX系統和Dragon System的Naturally Speaking系統等。由于該模型解除了對語音信號狀態的齊次性和對語音特征的非相關性的限制，因此，為語音識別研究的深入發展提供了一個和諧的框架。在這些不同的結合形式中，實驗結果表明，幀層面上的結合比較符合HMM和ANN兩種方法的特點。(4) ANN的訓練著眼于描述類間的邊界，而不是描述每一類內的分布．所以是一種區分性訓練。在分類網絡中，輸入還是相繼的幾幀語音矢量。音素之間通過HMM模型之間的連接(轉移)可以構造出字模型(馬爾可夫鏈)，字模型進一步可以組成詞模型，再到句子，所以通過不同層面上的模型(狀態)之間的轉移(連接)，就實現了音素、字、詞的統計表示，形成了一個自下而上的統計識別框架。若在時刻n(即第n幀)所處的狀態用xn表示，那么xn只能等于S1～SL中的某一個，任意時刻n系統所處的狀態以概率的方式取決于初始狀態概率矢量a和狀態轉移概率矩陣A。對于任何X，其出現概率為：。狀態轉移概率分布。對每個輸出Y稱之為一個學習樣本，假設有Q個輸出，即Q個學習樣本，構成一個樣本集合。同樣，用yn+2yn+3…yN取推算yn+1yn+2…yN的概率，稱為后向概率。狀態序列搜索的任務就是根據系統輸出Y搜索最有可能的狀態序列X，使得該狀態序列產生Y的可能性達到最大。令表示系統在n時刻位于狀態Sj，而在n+1時刻位于狀態Sj并產生觀察矢量序列Y的概率，有 (421)令表示系統在n時刻位于狀態Si并有觀察矢量序列Y的概率，有,同樣可以改寫為： (422)事實上，和存在以。但是該方法的訓練結果與初值相關，可能收斂不到全局的最優解，因此采用一種“分段足均值算法”可以較好的解決這個問題，如圖4．2所示。L表示模型中狀態個數。 HMM的結構和類型隱馬爾可夫模型主要有兩種大的結構，一種是全連接的，另一種是從左向右的。(2)HMM狀態數的選取，一般取狀態數為4～10，但不是狀態數越多越好，對單個漢字而言，取4較為合適。在20 多年的發展過程中軟件版本不斷更新，功能逐步完善，深受大學教師、學生及科研工作人員好評。而語音音頻范圍一般在5kHz以內，滿足聲卡采集的要求。對于許多科學實驗和工程測量來說，聲卡對信號的量化精度和采樣率都是足夠高的，甚至優于一些低檔的數據采集卡性能。這種算法不是實時的，是先讀取錄制好的wav文件，獲取信號后再將其分幀并計算短時能量和過零率參數。前者的識別率比較高，DHMM略低些。大量實驗表明，MFCC參數的性能優于LPCC參數。預加重一般通過一個數字濾波器。同時，又可以通過模數轉換器(A／D)將麥克風或CD的輸入信號轉換成數字信號，送到計算機進行各種處理。由于Matlab各個工具包往往采用了業界中最尖端的算法，因此相比與傳統的實現方式，該語音識別系統通過Matlab開發圖形界面，逼真的演示了語音識別的過程以及結果。(4) 多個觀察值序列訓練實際中訓練一個HMM，經常用到不止一個觀察值序列，那么對于K個觀察值序列訓練HMM時，要對Baum=Welch算法的重估公式加以修正。圖4．3是常見的幾種HMM結構。為使問題求解變得更加實際，需尋求更為簡介的方法。2)輸出值的馬爾可夫假設：在n時輸出觀測值的概率，只取決于當前時刻n所處的狀態，而與以前的歷史無關。ij=(由Si狀態轉移到Sj狀態的概率總和)/(由Si發生狀態轉移的概率總和)。假設系統的觀察矢量序列Y=[y1，y2，…，yn，yn+1yn+2…yN]，要求一條狀態序列X=[x1，x2，…，xn，xn+1，xn+2，…xN]，使得下面的概率達到最大： (416)假設系統在時刻n處于狀態xn=Si，而先前時刻的狀態為x1x2…xn。顯然an1(j)表示系統在nl時刻處于Sj狀態時產生觀察矢量序列y1y2…yn1的概率，在此情況下繼續觀察到yn的概率為：，則對n1時刻的所有狀態求和，即可計算an(j)，有遞推公式： (44)另外，在初始狀態n1時刻，系統處于Sj產生y1的概率： (45)前向概率的具體計算算法如下：(1) 初始化： (46)(2) 遞推計算： (47)(3) 整體概率： (48)后向概率用表示，其意義為：系統在n時刻處于Sj狀態下，已經存在從n+2到N刻的觀察矢量yn+2yn+3…yN的情況下，又出現yn+1的概率。若解決了此問題，我們就可以度量模型與觀測序列之前的匹配程度，達到識別輸出語音流的目的。 HMM的三個基本問題及解決算法HMM的需要解決的三個基本問題：l、概率計算：已知觀察序列O=[o1，o2，……，oT]和模型=(a，A，B)，如何計算由模型五生成O的概率P(O／)。X=[x1，x2，……，xn]，隱藏在系統內部的狀態序列。可表示如下： (41)矩陣A是一個()的方陣，它的各個元素是已知相鄰兩個時刻中前一時刻狀態為Si的條件下后一時刻狀態為Sj，的概率。馬爾可夫鏈的每個狀態可以和一個穩態或準穩態的事件相對應，在離散的某個時間下的觀測值，就是該過程在該時刻處于某個狀態并以與該狀態對應的隨機函數概率發生的一個值。四、隱含馬爾可夫模型算法HMM是在80年代由IBM的Baker和Jrlinek引入入語音識別的研究，目前它是最靈活最成功的語音識別方法之一。在混合HMM/ANN中用神經網絡來進行聲學建模，而時域建模依賴于傳統的HMM。與傳統的HMM相比，混合HMM/ANN模型還為融合多種語音特征矢量，考慮不同層次上的多種約束提供了一個非常方便的接口。用神經網絡來估計觀測概率，設計和訓練神經網絡的方法有很多，最簡單的方式就是將一幀語音矢量直接映射成觀察概率，網絡的訓練也是一幀接一幀地進行，這種方法就成為幀層面上的網絡訓練。且模型所需要的存儲量和匹配計算(包括特征矢量的輸出概率計算)的運算量相對較大，通常需要具有一定容量SRAN的DSP才能完成。而這種隱含關系在HMM模型中通常以概率形式表現出來，模型的輸出結果也以概率形式給出。語音信號是一種典型的動態模式序列，前后幀之間的時間相關性非常強，所以要將神經網絡應用于語音識別，必須解決好瞬時輸出的記憶問題。從信息處理的角度來看：一組信息的存儲在神經網絡內部是混迭在一起的，在存儲過程中對信息進行了大量的加工，而絕對不是只把它們孤立地放在那里。連接權的建立是通過訓練算法進行的。這個系統應用了“黑板模式”完成底層和頂層之間不同層次的信息交換和規則調用，在人工句法約束的1000詞表的連續語音識別任務中，所產生的語義誤差不大于10％，雖然從人工智能的角度看，對這個系統評價很高，但從語音識別的角度所做的評價與此相反，因為從語音識別的角度看，語音的多變性和不確定性是其固有的，一些研究者經長期研究后著重宣稱：人們對于語音的最大知識就是確認對于語音的無知，正是需要在這一前提下來研制具有高識別率的系統。基于動態時間歸整匹配的DTW算法從目前來看，可能是一個最為小巧的語音識別的算法。對齊可以采用線性擴張的方法，如果NM可以將T線性映射為一個M幀的序列，再計算它與之間的距離。測試和參考模板分別用T和R表示，為了比較它們之間的相似度，可以計算它們之間的距離D[T,R]，距離越小則相似度越高。從而自60年代末期開始引起了語音識別的研究熱潮。Mel頻率可以用如下公式表示： (217)對頻率軸的不均勻劃分是MFCC特征區別于普通倒譜特征的最重要的特點。語音信號所攜帶的語音信息主要體現在聲道傳輸函數上，因而在語音識別中通常取語音信號倒譜的低時域構成LPC倒譜特征c，即 (216)式中，q為LPC倒譜特征的階數。由于語音信號的特性是隨著時間緩慢變化的，由此引出語音信號的短時分析。寬帶帶通濾波器具有平坦性，用它可以粗略地求取語音的頻譜，其頻率分辨率降低，相當于短時處理時窗寬較窄的那種情況。多門限過零率前端檢測算法是設多個高低不同的門限。對于周期性的x(n)，Fn(k)也呈現周期性。但是，計算自相關函數的運算量很大，其原因是乘法運算所需要的時間較長。于是有： (27)另外，可以將短時平均過零率和短時能量結合起來判斷語音起止點的位置，即進行端點檢測。短時能量由于是對信號進行平方運算，因而認為增加了高低信號之間的差距，因此要采用短時平均幅度來表示能量的變化，其公式為： (25)“0”的短時平均幅度圖。然而，不同人的基音周期變化范圍很大，從女性兒童的2ms到老年男子的14ms(即基音頻率為50