基于虛擬儀器的語音識別算法研究(專業版)

　　

【正文】 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。(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。 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。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。那么這種方法可以分為兩步來實現 [40]：第一步:分段和標號。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。它用概率統計的方法來描述時變信號的過程。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。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。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]。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。其時域表達式為：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。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。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。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。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。（4）研制周期較傳統儀器大為縮短。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。計算機的使用在很大程度上加快了語音識別方法的研究。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。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。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。 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。例如：對于身體殘疾的人或盲人，能夠既準確又靈活地使用現代化設備是比較困難的，但是，如果有了語音控制系統，便能為其提供一些很好的生活輔助設施，給他們帶來方便。50 年代初期，研究人員大部分致力于聲學—語音學的基本概念進行探索。90 年代后，隨著 IT 技術的迅速發展，多媒體時代的來臨，迫切需要語音識別系統走出實驗室，走向人們的日常生活乃至工廠。 虛擬儀器的特點可歸納為： （1）在通用硬件平臺確定后，由軟件取代傳統儀器中的硬件來完成儀器的功能。用LABVIEW設計的虛擬儀器系統可脫離LABVIEW開發環境，最終用戶看見的是和實際的硬件儀器相似的操作面板。（4）文件的擴展名是“.m”。 indenting”子項：對應欄用來設置快捷鍵習慣和文件段落縮進的習慣。第五章簡單介紹了整個設計所得出的結論。 語音信號預處理過程示意圖 預加重處理語音信號的平均功率受聲門激勵和口鼻腔輻射的影響，大約在 800Hz 以上的高頻段，平均功率以 6dB/倍頻程下降，所以語音信號高頻部分頻譜比實際語音頻譜要低，因此造成高頻部分的頻譜比低頻部分頻譜更難計算。由于漢明窗的主瓣較寬而旁瓣幅值較低，能有效地克服窗泄露現象，具有平滑低通特性，因此應用廣泛，同時漢明窗可以加強相鄰幀左右兩端的連續性。在過渡段，由于參數的數值一般比較小，不能確信語音信號是否處于真正的語音段，因此只有當兩個參數的數值都回落到低門限以下，那么就將當前狀態恢復到靜音狀態。若說話人的語音特征參數不能很好地提取出來，則系統的識別結果就不理想。于是常將靜態參數和動態參數合并作為說話人識別的特征參數，這樣語音幀之間的相關性能較好地消除掉，為說話人識別系統的創建提供了良好的基礎。DTW是采用一種最優化的算法—動態規整法，算法的思想就是把未知量均勻的增大或縮短，直到與參考模式的長度一致。根據隨機函數的不同特點HMM模型可以分為離散 HMM(DHMM)、連 續HMM(CHMM)和半連續HMM(SCHMM)以及基于段長分布的HMM(DDBHMM)等類型。與HMM相比，矢量量化主要適用于小詞匯量、孤立詞的語音識別中。由于獨立的人工神經網普遍存在著時間規整問題和訓練過程復雜、識別時間過長等缺點，因此，如何與傳統的方法相結合，形成優勢互補的ANN與DTW、 ANN與VQ和ANN與HMM混合的新型漢語語音識別技術，以有效解決漢語語音識別中同音字多、聲調不明、界限不清、新詞不斷出現等諸多與其它語言語音識別所不同的特殊難題，己成為ANN法漢語語音識別系統的研究方向。那么，如何進行模板的訓練，如何度量不同語音之間得相似性等，都是目前需要考慮的問題。 語音信號的采集。(2) 本設計應用電子測量儀器與自動測試領域的一項嶄新技術－虛擬儀器的專用語言LABVIEW，和對語音信號具有強大表述、計算能力和分析處理的MATLAB語言相結合的方法，實現了兩種軟件聯合編程的功能。3. 應用了基于模板匹配算法中的美爾頻率倒譜系數作為本系統中識別語音的特征參數，并在LABVIEW 平臺下進行了仿真并分析仿真結果。1. 環境的噪聲對系統正常運行的影響很大，語音特征參數對環境的魯棒性不強，需要進一步研究語音噪聲增強算法，提高系統在噪聲環境下的魯棒性。由于時間上和本人自身能力的有限，論文工作中存在許多不足之處，敬請老師同學給予批評和指正。xx是在s1s2之間的一段語音，以數組形式進行表現。(2) 用小波變換的方法對待測語音信號進行消噪。根據第一步得到的語音標號序列得到一系列語音基元網格，然后再從詞典得到有效的詞序列，除此之外也可以結合句子的語義和文法同時進行。在每一個子空間找一個代表矢量，則J個代表矢量可以組成矢量集為: （33）這樣就組成了一個矢量量化器，在矢量量化里，Y叫作碼書或碼本(Code Book)；稱為碼矢(Code Vector)或碼字(Code Word)；Y內矢量的個數J，則叫做碼本長度或碼本尺寸(Codebook Size) [46]。因而稱為“隱”Markov鏈模型，即HMM。為了進行相似性度量，將特征模板庫中的各個模板稱之為參考模板，用 R 表示；將待識別的輸入語音經過預處理以及特征提取以后得到的特征矢量序列稱之為測試模板，用T表示。 模板匹配的方法目前，語音識別的方法有很多，其中發展比較成熟的有模板匹配的方法，現己達到了實用的階段。 語音特征參數比較語音特征參數 特點線性預測分析（LPC）體現了語音信號的聲道諧振特性，對于聲道響應含有零點的清音和濁音描述不確切。具體計算公式為： (27)其中 (28) (29)語音信號中，清音語音能量大多集中在較高頻率段內，濁音語音能量大多集中在較低的頻率段內 (3KHz以下)，而頻率的高低又意味著過零率的高低 ，所以根據此可以大致判斷出濁音與清音。漢語的音節末尾都是濁音，只用短時平均能量就能較好的判斷一個詞語的末點。圖中可以看出，預加重后信號的高頻分量相對低頻分量有明顯的提升。其中反混疊濾波的目的主要有兩個:一方面抑制輸入信號在頻域中的各分量頻率超出f /2的所有分量(人為采樣頻率)，以防止混疊產生的干擾。 語音信號的采集 語音識別系統基本框架語音識別系統一般采用的是模式匹配的原理 [8]，所以本質上是一種模式識別系統。事實上，*.m的存放和調用與注釋行中的名稱并無關聯。2) 編輯器使用中的注意事項 （1）編輯器的打印效果設置。用MATLAB編程時，就如同在現實中的便簽上列公式和求解一樣。LABVIEW（Laboratory Virtual Instrument Engineering Workbench，實驗室虛擬儀器工程平臺）是美國NI公司(National Instrument Company)推出的一種基于G語言（Graphics Language，圖形化編程語言）的虛擬儀器軟件開發工具。越來越多的大學和科研院所紛紛作出響應，加大投資，加入到語音識別的研究行列，大大推動了漢語語音識別技術的發展。70 年代初， 日本學者板倉(Itakura)提出了動態時間規整(DTW)技術 [4]，使語音識別技術研究在匹配算法方面開辟了新思路；中期的線性預測技術 [5] (Linear Prediction, LP)被應用于語音信號處理，然后隱馬爾可夫模型法 [6] (Hidden M