基于改進(jìn)訓(xùn)練算法的HMM語(yǔ)音識(shí)別技術(shù)研究.pdf

1、語(yǔ)音識(shí)別技術(shù)經(jīng)過(guò)50多年的發(fā)展，已經(jīng)在社會(huì)生活中得到了廣泛的應(yīng)用。在語(yǔ)音識(shí)別技術(shù)的發(fā)展歷程上形成了各種理論和方法，如矢量量化、隱馬爾科夫模型、神經(jīng)網(wǎng)絡(luò)等，隱馬爾科夫模型的貢獻(xiàn)讓語(yǔ)音識(shí)別擴(kuò)展到大詞匯量、非特定人、連續(xù)語(yǔ)音識(shí)別。然而，隱馬爾科夫模型訓(xùn)練算法存在容易陷入局部最優(yōu)解的缺陷，隨著智能算法的深入研究，智能語(yǔ)音識(shí)別技術(shù)成為當(dāng)前研究的熱點(diǎn)。
　　 語(yǔ)音信號(hào)的分析和處理是語(yǔ)音識(shí)別的前提和基礎(chǔ)。本文首先論述了語(yǔ)音產(chǎn)生的機(jī)理、語(yǔ)音的特

2、征、語(yǔ)音的數(shù)學(xué)模型，介紹了語(yǔ)音信號(hào)的預(yù)處理方法；總結(jié)了端點(diǎn)檢測(cè)的常規(guī)方法和各種改進(jìn)的方法；闡述了用于語(yǔ)音特征壓縮和編碼的矢量量化方法，給出了碼本設(shè)計(jì)LBG算法的具體步驟。在此基礎(chǔ)上，系統(tǒng)回顧了HMM的基本思想，HMM的前向后向算法、viterbi算法、BaumWelch算法。并結(jié)合現(xiàn)代人工智能算法的研究成果，融合克隆選擇算法和基因克隆技術(shù)，提出了一種改進(jìn)的BaumWelch算法，即基因克隆的BaumWelch算法(簡(jiǎn)稱GCBW算法)，該

3、算法優(yōu)化隱馬爾科夫模型的參數(shù)B，以解決BaumWelch算法容易陷入局部最優(yōu)解的問(wèn)題。
　　 TIMIT語(yǔ)音庫(kù)的實(shí)驗(yàn)表明：GCBW算法最終輸出概率對(duì)數(shù)比BW算法平均提高3.67％，4狀態(tài)和5狀態(tài)測(cè)試集上的語(yǔ)音識(shí)別率平均提高1.49％和2.64％。本文還在Matlab實(shí)驗(yàn)平臺(tái)上開(kāi)發(fā)了語(yǔ)音識(shí)別原型系統(tǒng)，應(yīng)用該系統(tǒng)的特定人在線語(yǔ)音識(shí)別實(shí)驗(yàn)，進(jìn)一步驗(yàn)證了GCBW算法的可行性和有效性。該仿真系統(tǒng)為模型參數(shù)分析和算法改進(jìn)設(shè)計(jì)提供了方便，也為