服務(wù)機(jī)器人語音識(shí)別技術(shù)研究與實(shí)現(xiàn).pdf

1、近二十年來，語音識(shí)別技術(shù)取得很大的進(jìn)步，逐漸從實(shí)驗(yàn)室走進(jìn)市場中。專家預(yù)計(jì)，在未來10年內(nèi)，語音識(shí)別相關(guān)的技術(shù)將進(jìn)入工業(yè)、家電、通信、汽車電子、醫(yī)療、消費(fèi)電子產(chǎn)品等各個(gè)領(lǐng)域。雖然目前的語音識(shí)別技術(shù)取得了很大的進(jìn)步，但是在較大詞匯量、高實(shí)時(shí)性、系統(tǒng)消耗資源比較低和較高的識(shí)別率等方面還存在可很大的研究價(jià)值。在日常生活中，語音技術(shù)在控制服務(wù)機(jī)器人領(lǐng)域得到很大的應(yīng)用和發(fā)展，研究語音控制服務(wù)機(jī)器人運(yùn)動(dòng)具有很大的價(jià)值和應(yīng)用前景。本文介紹的語音控制系統(tǒng)

2、就是應(yīng)用語音識(shí)別技術(shù)來實(shí)現(xiàn)服務(wù)機(jī)器人的運(yùn)動(dòng)。
　　首先，本文介紹了研究內(nèi)容的相關(guān)的歷史背景和國內(nèi)外的研究現(xiàn)狀，這其中包括分析了服務(wù)機(jī)器人運(yùn)動(dòng)控制、語音識(shí)別、語音端點(diǎn)檢測(cè)和語音特征降維的研究現(xiàn)狀。
　　其次，本文介紹了對(duì)語音數(shù)據(jù)進(jìn)行預(yù)處理的方法，主要包括語音信號(hào)的預(yù)加重、分幀、加窗和端點(diǎn)檢測(cè)。本章提出了基于對(duì)數(shù)能量譜熵的端點(diǎn)檢測(cè)方法，由于其計(jì)算簡單可應(yīng)用于中低端嵌入式平臺(tái)，為后面將控制程序移植到安卓手機(jī)打下了基礎(chǔ)。然后，本章介

3、紹了提取語音的梅爾頻率倒譜系數(shù)(Mel Frequency Cepstral Coefficients，MFCC)的方法，為后面的語音識(shí)別提供有效的語音信號(hào)特征數(shù)據(jù)。
　　第三，本章主要介紹了隱馬爾科夫模型(HMM)的三個(gè)算法，比較了動(dòng)態(tài)時(shí)問規(guī)整算法(Dynamic Time Warping，DTW)和隱馬爾科夫模型(HMM)的優(yōu)缺點(diǎn)。根據(jù)服務(wù)機(jī)器人語音控制系統(tǒng)的語音識(shí)別對(duì)象為非特定人的實(shí)際情況，本文選定隱馬爾科夫模型(HMM)作

4、為服務(wù)機(jī)器人語音控制系統(tǒng)的語音識(shí)別算法。
　　第四，由于語音特征參數(shù)存在數(shù)據(jù)冗余、維數(shù)高的問題，導(dǎo)致隱馬爾科夫模型訓(xùn)練時(shí)間長，本文通過用主成分分析法(Principal Component Analysis，PCA)對(duì)語音特征參數(shù)(MFCC)進(jìn)行降維。由于在大詞匯量語音識(shí)別過程中，系統(tǒng)的計(jì)算量過大和占用內(nèi)存過多從而導(dǎo)致識(shí)別時(shí)間過長，本文提出了基于k均值聚類分組算法，此處對(duì)降維后語音特征參數(shù)(MFCC)進(jìn)行K均值聚類分組，從而得到穩(wěn)

5、定的分組特征參數(shù)。
　　第五，本章介紹設(shè)計(jì)的服務(wù)機(jī)器人語音控制系統(tǒng)，該系統(tǒng)的開發(fā)是在eclipse平臺(tái)上利用JAVA語言編程進(jìn)行，第一部分主要是開發(fā)系統(tǒng)的控制界面，第二部分是開發(fā)語音數(shù)據(jù)處理和語音識(shí)別算法程序。
　　第六，在本章中介紹了算法的仿真和數(shù)據(jù)分析，并手動(dòng)調(diào)試服務(wù)機(jī)器人語音控制系統(tǒng)。實(shí)驗(yàn)結(jié)果表明:提出基于對(duì)數(shù)能量譜熵的端點(diǎn)檢測(cè)方法提高了端點(diǎn)檢測(cè)的準(zhǔn)確性。在保證準(zhǔn)確率基本不變的情況下，通過對(duì)語音特征參數(shù)的PCA降維和語