基于隱馬爾可夫和人工神經(jīng)網(wǎng)絡(luò)混合模型的語音識別.pdf

1、語音識別是一門內(nèi)涵豐富，應(yīng)用廣泛的技術(shù)，它的實(shí)用性和趣味性使得人們對它有著迫切的應(yīng)用需求。在語音識別系統(tǒng)中，隱馬爾可夫模型是當(dāng)前最為流行的語音識別模型，占據(jù)著主導(dǎo)地位。HMM模型之所以應(yīng)用較為成功，主要是它具有較強(qiáng)的對時間序列結(jié)構(gòu)的建模能力，盡管如此，HMM技術(shù)也存在一些缺點(diǎn)，如：決策分類能力弱，需要語音信號的先驗(yàn)統(tǒng)計知識等。人工神經(jīng)網(wǎng)絡(luò)方法作為模擬人腦思維機(jī)制的工程模型，它與HMM正好相反，其分類決策能力和對不確定事物的描述能力已得到

2、舉世公認(rèn)，但它對動態(tài)時間信號的描述能力尚不盡如人意。本論文在介紹HMM模型和人工神經(jīng)網(wǎng)絡(luò)的基本原理的基礎(chǔ)上，將兩種方法有機(jī)結(jié)合，進(jìn)一步提高語音識別的準(zhǔn)確率。 對于含噪語音信號的有效特征提取是語音識別至關(guān)重要的一步。本論文首先介紹了在語音識別中最常用的兩種特征參數(shù)：基于發(fā)聲系統(tǒng)模型導(dǎo)出的線性預(yù)測倒譜系數(shù)、基于聽覺系統(tǒng)模型導(dǎo)出的Mel頻率倒譜系數(shù)，而這兩種特征參數(shù)在純凈語音下識別效果比較好，但是在噪聲環(huán)境下識別效果不盡如人意。接著提

3、出利用小波變換對含噪語音信號進(jìn)行去噪的方法，再經(jīng)Mel濾波器組轉(zhuǎn)換為Mel頻率下的倒譜系數(shù)，這種新的特征參數(shù)進(jìn)一步反映了語音信號的動態(tài)特性、增強(qiáng)抗干擾能力，從而提高了識別率。 提出了用隱馬爾可夫和人工神經(jīng)網(wǎng)絡(luò)混合模型對語音信號進(jìn)行識別的方法，即有效的運(yùn)用了經(jīng)典HMM模型對動態(tài)時間序列較強(qiáng)的建模能力，又充分利用了人工神經(jīng)網(wǎng)絡(luò)較強(qiáng)的分類決策能力。實(shí)驗(yàn)證明，該模型適合于對噪聲背景下的語音進(jìn)行識別，同經(jīng)典的HMM模型相比較，具有更好的抗