語音識別(人機(jī)交互小論文)

1、計算機(jī)科學(xué)與信息工程學(xué)院《人機(jī)交互》課程小論文2014年6月(4)識別階段：將輸入的語音提取特征矢量參數(shù)后與參考模式庫中的模式進(jìn)行相似性度量比較，并結(jié)合一定的判別規(guī)則和專家知識（如構(gòu)詞規(guī)則，語法規(guī)則等)得出最終的識別結(jié)果。3、語音識別的幾種基本方法語音識別的幾種基本方法當(dāng)今語音識別技術(shù)的主流算法，主要有基于動態(tài)時間規(guī)整(DTW)算法、基于非參數(shù)模型的矢量量化(VQ)方法、基于參數(shù)模型的隱馬爾可夫模型(HMM)的方法、基于人工神經(jīng)網(wǎng)絡(luò)(A

2、NN)和支持向量機(jī)等語音識別方法。(1)動態(tài)時間規(guī)整(DTW)DTW是把時間規(guī)整和距離測度計算結(jié)合起來的一種非線性規(guī)整技術(shù)，是較早的一種模式匹配和模型訓(xùn)練技術(shù)。該方法成功解決了語音信號特征參數(shù)序列比較時時長不等的難題，在孤立詞語音識別中獲得了良好性能。(2)矢量量化(VQ)矢量量化是一種重要的信號壓縮方法，主要適用于小詞匯量、孤立詞的語音識別中。其過程是：將語音信號波形的k個樣點(diǎn)的每1幀，或有k個參數(shù)的每1參數(shù)幀，構(gòu)成k維空間中的1個矢

3、量，然后對矢量進(jìn)行量化。量化時，將k維無限空間劃分為M個區(qū)域邊界，然后將輸入矢量與這些邊界進(jìn)行比較，并被量化為“距離”最小的區(qū)域邊界的中心矢量值。(3)隱馬爾可夫模型(HMM)HMM是對語音信號的時間序列結(jié)構(gòu)建立統(tǒng)計模型，將其看作一個數(shù)學(xué)上的雙重隨機(jī)過程：一個是用具有有限狀態(tài)數(shù)的Markov鏈來模擬語音信號統(tǒng)計特性變化的隱含的隨機(jī)過程，另一個是與Markov鏈的每一個狀態(tài)相關(guān)聯(lián)的觀測序列的隨機(jī)過程。前者通過后者表現(xiàn)出來，但前者的具體參數(shù)

4、是不可測的。人的言語過程實(shí)際上就是一個雙重隨機(jī)過程，語音信號本身是一個可觀測的時變序列，是由大腦根據(jù)語法知識和言語需要(不可觀測的狀態(tài))發(fā)出的音素的參數(shù)流。HMM合理地模仿了這一過程，很好地描述了語音信號的整體非平穩(wěn)性和局部平穩(wěn)性，是較為理想的一種語音模型。(4)人工神經(jīng)元網(wǎng)絡(luò)(ANN)人工神經(jīng)元網(wǎng)絡(luò)在語音識別中的應(yīng)用是目前研究的又一熱點(diǎn)。ANN實(shí)際上是一個超大規(guī)模非線性連續(xù)時間自適應(yīng)信息處理系統(tǒng)，它模擬了人類神經(jīng)元活動的原理，最主要的