基于HMM-ANN模型的語音識別技術(shù)研究.pdf

1、在語音識別（ASR，Automatic Speech Recognition）領(lǐng)域中運(yùn)用最廣的隱馬爾可夫模型（HMM，Hidden Markov Model）和人工神經(jīng)網(wǎng)絡(luò)（ANN，Artificial Neural Network）這兩種模型各自均有優(yōu)缺點(diǎn)。HMM有極強(qiáng)的動態(tài)建模能力，在處理具有動態(tài)性能的語音信號時有著很好的優(yōu)勢，卻在分類功能上不足。ANN強(qiáng)大的輸入輸出映射能力使得它在處理模式分類與判決的問題上得天獨(dú)厚，然而它對動態(tài)信

2、號處理能力的不足也是不可忽視的。本文提出使用HMM-ANN混合模型來提高信號的處理能力，從而提高ASR系統(tǒng)的識別率。其中，ANN采用了概率神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。
　　論文主要完成了以下工作：
　?。?）總結(jié)ASR的研究現(xiàn)狀和基本原理，比較HMM和ANN兩種模型的優(yōu)點(diǎn)和不足，提出HMM-ANN混合模型，并利用MATLAB軟件分別仿真實(shí)現(xiàn)了HMM、ANN以及HMM-ANN這三種模型下的小詞匯量、孤立漢語的語音識別功能。
　?。?/p>

3、2）比較了三種模型下語音識別的識別率，實(shí)驗結(jié)果表明，混合模型的識別率最高。
　?。?）對語音識別的魯棒性進(jìn)行了研究。一方面，端點(diǎn)檢測時提出了改進(jìn)后的檢測算法。在用傳統(tǒng)的雙門限檢測算法前，先用小波閾值去噪原理提高語音信號的信噪比，再進(jìn)行檢測。實(shí)驗結(jié)果證明，在噪聲環(huán)境下，改進(jìn)后的算法表現(xiàn)出更好的抗噪性，即語音識別的魯棒性更好，識別率更高。另一方面，特征提取時提出了改進(jìn)后的提取算法。與傳統(tǒng)的Mel頻率倒譜系數(shù)（MFCC）相比，本文提出的