基于虛擬儀器的語音識別算法研究(更新版)

　　

【正文】 于查詢航班時間表，電話號碼，巴士時間查詢，火車車次查詢，自動導游，天氣預報，股票行情系統等。 At last, this paper analyses the main requirements of this system, designs the hardware and software in detail and chooses the graphic programming language LABVIEW as the software development platform and then the use of different speech unique feature and pattern matching algorithm, realize voice signal to the final recognition.Keywords: Speech Recognition；Virtual instrument；Sound card；Wavelet Denoising and feature extractio目錄摘 要 IAbstract II目錄 IV第一章 緒論 1 本文的應用背景和研究意義 1 語音識別發展歷史及現狀 3 5 MATLAB語言 7 10第二章 語音識別基本技術 11 語音信號的采集 11 語音識別系統基本框架 11 語音信號的采集 12 語音信號的數字化 13 語音信號預處理 14 預加重處理 14 分幀、加窗 16 端點檢測 17 語音信號的特征參數提取 20 美爾頻率倒譜參數及提取方法 21 差分倒譜系數提取方法 22第三章 語音識別算法 24 模板匹配的方法 24 動態時間規整算法 DTW 24 隱馬爾可夫模型法 HMM 25 高斯混合模型法 GMM 26 矢量量化 VQ 26 混合型算法 28 基于聲學和語音學的方法 28 神經網絡的方法 29第四章 非特定人連續語音識別系統的實現 30 概述 30 非特定人連續語音識別系統設計與實現 30 語音信號的實時采集與小波消噪處理 30 語音信號的預處理 33 語音信號的特征提取 36 模板的建立與讀取 38 建立模板 38 讀取模板 40第五章 結 論 41第六章 總結與展望 42 總結 42 展望 42參考文獻 43致 謝 46第一章 緒論語言是人類進行信息交流的最常用、最重要的手段，人類的語言和人的心理活動密切相關，是人們進行思想交流的重要方式，既高效又便捷。由于小波具有多尺度，多分辨的特點，應用小波進行信號消噪處理是小波分析的一項重要應用。本次設計將虛擬儀器技術用于語音識別系統，實現了儀器的軟件化，真正體現了“軟件就是儀器”的思想。最后在分析語音識別系統主要需求的基礎上，對識別系統的軟硬件進行了設計，并對語音信號做噪聲消除以及預處理后進行特征提取，利用不同語音獨特的特征和模式匹配算法，實現說話人語音信號的最終識別。語音識別研究的就是如何讓機器聽懂人的語音內容，同時辨別是否是主人所發出的指令，執行相應的操作。該系統不僅能提供英語和漢語查詢，而且可以用其它語言來查詢。一些國內外知名的汽車制造公司，很早就預見了語音技術在汽車行業的發展前景，他們已經提出了無需操控的、在后座說話就可以駕駛的智能汽車，完全告別了手動駕駛車輛的模式。比如，在外國科幻電影中，我們經常會看到高精密發射的核設施發射系統，它除了一般的發射檢測程序外，總統聲音命令也成為了核發射系統的重要密匙，在最終確認發射時，需要通過總統的特定語音命令，才可進行程序釋放，核發射才進入相應倒計時階段。計算機的使用在很大程度上加快了語音識別方法的研究。繼70年代的孤立詞語音識別研究后，80 年代主要研究的是連接詞語音識別的問題，由單個詞的模式串接在一起的短連接詞語音進行匹配識別。如 IBM 的 ViaVoice 系統、劍橋大學的 HTK 系統、DARGON 系統、Microsoft 的 Whisper 系統等，這些語音識別系統代表著當時語音識別的最高水平，同時結合自然語音處理技術，發展到基于自然口語識別、理解的人機對話系統和不同語種的直接語音翻譯設備。但漢語數字語音識別技術由于漢語數字語音存在高混淆的問題，使得其進展相當緩慢，再加上漢語獨特的單音節特征和多方言語種等問題使得漢語數字識別系統在噪聲環境下仍然具有很大難度，任務艱巨。（4）研制周期較傳統儀器大為縮短。（5）囊括了DAQ、GPIB、PXI、VXI在內的各種儀器通信總線標準的所有功能函數，使得不懂總線標準的開發者也能夠驅動不同總線標準接口設備與儀器。利用MATLAB可以實現符號運算、科學計算、算法研究、數據分析和可視化、數學建模和仿真、圖形用戶界面設計以及科學工程繪圖等強大功能。但是當待解決問題所需的指令較多而且所用指令結構較復雜時，或者當一組指令通過改變少量參數就可以被反復使用去解決不同問題時，直接在直欞窗中輸入指令的方法就顯得累贅、繁瑣和笨拙。下面介紹M文件編輯器的幾種啟動方法：點擊MATLAB桌面上的“”圖標，或選中菜單項[File：New：MFile]，可以打開空白的M文件編輯器。（2）編輯器的段落格式、字體（形式、大小、顏色）、自動保存等都可由用戶自己根據需要進行設置。說明：1．運行M文件的方法有很多種，而最常用的方法是：（1）在指令窗中直接運行M文件名（不帶擴展名）；（2）在當前目錄窗中，用鼠標右鍵單擊所要運行的文件，再從引出的現場菜單中選擇[Run]菜單項。對語音識別系統進行設計研究，針對語音識別的功能需求，對比研究VQ和 DTW 算法的識別算法，結合 LABVIEW 和 MATLAB 各自優點綜合設計出基于虛擬儀器的語音識別系統，用于語音識別功能的進一步研究。在語音識別系統中主要是采用基于模板匹配識別算法的研究，進行待測語音和模板語音的對比分析，再根據特定的判定準則得出最終的識別結果。由于語音信號具有短時平穩的特性，所以語音信號的特征參數都是以一段短時語音信號為單位的，一般短時時間段取值為 20ms～30ms 之間。將模擬語音信號轉化為數字語音信號需要聲音采集卡即聲卡的支持，不同聲卡的信噪比存在一定的差異，所以質量不同的聲卡采集到的語音信號對系統的識別率也有一定的影響。一般模數轉換器和防混疊濾波通常做在一個集成塊內，就目前來說，從市面上購買到的普通聲卡在這方面做的都還可以，對語音信號進行數字化的質量還是有一定保證的。其時域表達式為：設原始信號采樣序列為 S ( m )，分幀采用一個窗函數乘以原始信號并不斷平移得到幀語音序列。例如物體的碰撞、門窗的開關等引起的噪聲，這些噪聲都可以通過設定最短的時間門限來判別。端點檢測的短時過零率法 首先介紹一下過零率，在一段語音波形中，單位時間內信號通過零線的次數我們就稱為過零率，它可作為信號頻率的一個度量。這時，能量的主要意義在于能量函數可用來大致確定出清音語音變為濁音語音的時刻，可用來區分有聲與無聲，聲母與韻母。LPC 就是對于一個語音信號的每個采樣值，都能用過去的若干個采樣值的線性組合來逼近，同時使實際采樣與線性預測抽樣之間均方誤差最小時解出來的一組系數；線性預測倒譜系數是由線性預測系數推導得到能夠反映人的聲道特性的系數；美爾倒譜系數則是端點檢測后的語音信號經過美爾濾波器組并進行相關的變換得到的反映人耳聽覺特性的系數，其反映了語音的靜態特征，并且該參數的差分參數能較好地反映人的語音的動態特征，將美爾倒譜參數與其一階或多階差分參數合并作為說話人的語音特征參數，能更好地表征說話人的語音特征 [17]。這種提取方法非常簡單，使用方便。例如某一說話人的 5 幀語音信號數據進行特征參數提取，每幀為 24 個特征向量，其中前 12 個為 MFCC 參數，后 12 個為 MFCC 參數的一階差分參數，這樣總共得到了 120 個特征向量，在 LABVIEW 平臺上通過調用 MATLAB 節點進行參數提取，運行后的結果截圖如圖 所示。 動態時間規整算法 DTW語音信號的端點檢測是進行語音識別中的一個基本步驟，它是特征訓練和識別的基礎。在實現小詞匯孤立詞語音識別系統時,其識別率和其它指標與用HMM算法實現的差不多等同。為了計算他們之間的失真，應該從 T，R 中的每個對應幀之間的失真算起，假設n，m 分別為 T，R 中任意選擇的幀號，則這兩幀之間的幀失真用D[T(n),R (m )]來表示，對于特征矢量之間的失真度，有多種度量方法。它用概率統計的方法來描述時變信號的過程。所以可用就有一個狀態的特殊的連續 HMM 為與文本無關的說話人識別系統中的說話人建模，這種模型就是高斯混合模型（Guassian Mixrure Model，GMM）。矢量量化的基本原理是：將語音數據中提取的特征矢量在多維空間給與整體量化。因此，真正應用于語音識別的是改進后的有限狀態矢量量化(FSVQ)技術和帶學習功能的矢量量化(LVQ2)技術，其中，FSVQ的計算量小，而且利用了狀態轉移函數，根據上一次的狀態和量化結果來確定下一個量化狀態，適用于與上下文有關的語音識別；LVQ2利用其自適應性的學習功能進行碼書優化，即在一定條件下，將錯誤的參考矢量移到遠離輸入矢量的地方，而將正確的參考矢量移到離輸入矢量更近的地方，從而提高識別率 [47]。那么這種方法可以分為兩步來實現 [40]：第一步:分段和標號。其本質上是一個自適應非線性動力學系統，具有魯棒性、容錯性、自適應性、并行性和學習特性，模擬了人類神經活動的原理，其較強的輸入輸出映射能力和分類能力在語音識別中有很大的吸引力。第四章 非特定人連續語音識別系統的實現基于前面對語音信號的實時采集，小波消噪、預加重處理、語音信號的端點檢測，語音信號特征參數的提取等的分析，本文設計了完整的描述并討論非特定人連續語音識別。為實現上述功能，本文設計了包括語音信號的實時采集、小波消噪、端點檢測、特征提取和識別算法以及識別模板的建立與讀取在內的非特定人連續語音識別系統。 語音消噪程序框圖 語音信號的特征提取語音信號的Mel倒譜系數的個數為16個，一階Mel倒譜差分系數的個數為16個，二階Mel倒譜差分系數的個數也為16個，總共為48個點。 語音信號模板建立的實現過程 讀取模板讀取模板是指把預先存儲好的二進制文件轉化為相應的模板特征參數，并通過數組形式進行語音信號特征參數的輸出。(4) 根據含噪語音信號特有的特點，即白噪聲主要集中在小波變換尺度較小的高頻部分，而有用信號在經過小波變換后，語音信息主要集中在小波變換尺度較大的低頻部分，通過對語音消噪的方法進行大量的比較后，最終選用了小波消噪的方法，同時結合傳統的消噪方法對原始語音信號進行預處理，使得消噪效果得到了很大的改善。最后，基于 LABVIEW 開發平臺實現了這個非特定人語音識別系統。本文設計了一個基于語音識別技術的非特定人識別系統，并對該系統的語音提示功能進行了自動測試，基本達到了系統的設計需求。參考文獻[1] 易克初，田斌，付強，語音信號處理[M].北京:國防工業出版社，2000：3~7[2] Bellman R. Dynamic Programming[J]. Science, 1966, 153(3731):34~36.[3] Michael , Lawrence , An adaptive, ordered, graph search technique for Dynamic Time Warping for isolated word recognition.[J] IEEE,1982.[4] 韓紀慶，張磊，鄭鐵然，語音信號處理[J]，北京，清華大學出版社，2004：4~10[5] ，Estimation of Parameters in TimeSeries Regression Models[J]，Journal of the Royal Statistical Society，Series B，1960，22(1):139~153[6] Rabiner, Juang, . An introduction to Hidden Markov Models[J]. IEEE ASSP Magazine,1986,4~15[7] 謝錦輝，隱 MarKov 模型及其在語音處理中的應用[M]武昌:華中理工大學出版社，1995：5~12[8] 王炳錫，屈丹，彭煊，實用語音識別基礎[M].北京:國防工業出版社，2005[9] 趙力，語音信號處理[M].北京：機械工業出版社，2003[10] 張雄偉，陳亮，楊吉斌，現代語音處理技術及應用[M]，機械工業出版社，2003[11] Nasrabadi, King, Image Coding Using Vector Quantization: A review[J]. IEEE Trans on Communication, 1988, , 957~971[12] Thomas F. Quatieri, DiscreteTime Speech Signal Processing: Principles and Practice[J].Prentice Hall,2004[13] Chen, Copinath, A Continuous SpeakerIndependent Putonghua Dictation System. Proc[J]. International Conference Signal Processing, 1996:821~824[14] 劉加，漢語大詞匯量連續語音識別系統研究進展[N].2000(1):85~92[15] 王士元，彭剛，語言、語音與技術[M]，上海：上海教育出版社 2006.[16]