神经网络技术在语音识别领域的应用
神经网络技术及其在语音识别领域的应用
苗峰（21225075）浙江大学机械电子工程专业
摘要：本文对神经网络技术以及语音识别技术的发展历程及基本原理做了概述，针对传统语音识别技术的缺点，介绍不同神经网络技术分支在语音识别领域的应用和实现方式并分析了各自的特点。
关键字：神经网络；语音识别；概述
1神经网络技术概述
1.1神经网络技术简介
人工神经网络（Artificial Neural Networks，简记作ANN），是对人类大脑系统的一阶特性的一种描述，属于人工智能研究的一种方法。神经网络是一个由大量简单的处理单元组成的高度复杂的大规模自适应系统，人工神经网络是对人脑功能作某种简化、抽象和模拟，是一个高度复杂的、非线性动力学系统，具有学习、记忆、联想、归纳、概括和抽取、容错以及自学自适应的能力[1]。近年来除在模式识别、非线性动态处理及自动控制等领域显示出极强的生命力外，在预测、评价等方面也取得了很好的应用效果。
1.2神经网络技术的发展历程
人工神经网络的发展始于本世纪40年代，经历了兴起、萧条和兴盛三个时期。从1943年心理学家McCulloch和数学家Pitts提出著名的M-1模型到50年代末Rosenblatt提出感知机，从而将神经网络的研究应用于工程实践，形成了神经网络第一次研究高潮，并在信号识别等领域取得了一定成绩。60年代初到70年代末，知识工程的出现给人工智能由实验室走向实用带来了希望，同时微电子技术的发展使得传统计算机的处理能力有很大提高，但是神经网络方法由于拓扑结构和算法上的局限性而处于相对停滞的阶段。到了80年代传统计算机及信息处理方法在处理复杂问题过程特别是知识推理体系和人工智能中的表达、采集、存取及推理中都遇到了严重的挑战，美国生物物理学家教授J.J.Hopfield于1978年和1984年发表在美国科学院院刊上的两篇文章提出了一种特殊的非线性动态结构以解决优化问题，标志着神经网络研究高潮的又一次到来。八十年代以来神经网络理论研究迅速发展，各国学者提出了许多神经网络模型，如Hopfield模型、
前向神经网络任（EedForword NN)模型、Kohonen自组织特征映射(self-organizing Feature Mapping)模型、径向基RBF(Radial Base Functi)网络以及以小波分析为基础的小波神经网络等[2]。
神经网络的应用研究己遍及各个学科、领域，如信号处理、模式识别、知识处理、市场分析、信用分析、医用诊断系统等。并与多种交叉学科结合解决现实世界中的非量化问题，如模糊神经网络己广泛应用于智能控制等领域，生产管理领域等。
1.3神经网络技术的基本原理
人工神经网络实质上是描述了一个网络如何将其输入单元转化为输出单元的数学计算过程。一般地，组成人工神经网络的要素主要包括人工神经元、网络结构以及网络学习算法。
1.3.1人工神经元模型
人工神经网络作为对生物神经系统的某种模拟，其基本要素是人工神经元，即神经网络操作的基本信息处理单元。典型的人工神经元模型如图1-1所示，其主要由三部分组成：连接链、加法器以及激活函数。连接链的值表示神经元的各个输入信号的连接强度或权重；加法器用于求取各输入信号被加权的和；激活函
图1-1 神经元非线性模型
数作为人工神经网络的核心要素，主要作用是建立输入信号与输出信号之间的非线性映射关系，并将输出信号的值限制到允许范围之内的一定值，因此激活函数也称压制函数。典型神经元模型由输入信号到输出信号的作用过程可以用数学表达式表示为[3]：
其中x1, x2, x3···x m是输入信号，w k1, w k2, w k3···w km是神经元k的连接权值，u k是输入信号的加法器的输出，ψ（g）是激活函数是神经元输出信号。偏置b k的作用是对加法器的输出u k做仿射变换，如下所示：
其中v k称为诱导局部域。偏置b k又可以表示为-θk，θk称为神经元k的阈值，于是典型神经元模型的作用过程可以表示为：
1.3.2神经网络的结构
根据神经网络结构、激活函数以及计算过程的不同，人工神经网络可以分为各种不同的类型。人工神经网络中神经元的构造方式是和训练网络的学习算法相对应的，从连接方式看，人工神经网络主要有两种基本结构：前馈网络和反馈网络。
1)前馈网络。在人工神经网络中，神经元以层的形式组织。在多层神经网
络中，输入层单元通过中间层单元过渡后映射到神经元的输出层单元，
各层的每一个神经元的输出都直接与紧邻的下一层的神经元的输入端
相连，这个网络是严格的单向网络，由于层与层之间没有反馈存在，因
此称为前馈网络。典型的三层前馈网络结构如图1-2 a所示。
图1-2神经网络结构示意图
2)反馈网络。在反馈型网络中，所有神经元都是一样的，既可以作为计算
单元，同时又可以接受输入，并向外界输出，即每一个神经元的输出影
响作用于该神经元的输入，造成多个围绕网络的信号传输的封闭回路，
也称为反馈环。典型的单层反馈网络结构如图1-2 b所示。
1.3.3神经网络的学习方式
人工神经网络的重要特性之一是网络具有自学习能力，并能够通过学习改善其行为。神经网络主要是通过调节其连接链的权值和偏置水平（阈值）来完成对环境的学习过程的。学习的方式主要有三种[4]：
1)监督学习（有教师学习）。这种学习模式采用的是纠错规则，在学习训
练过程中需要不断给网络提供“教师信号”，一个“教师信号"由一个输
入模式和一个期望网络正确输出的模式成对组成。将神经网络的实际输
出同期望输出进行比较，当网络的输出与期望的“教师信号”的正确输
出不符合时，根据差错的方向和大小依据一定的规则调整权值，以使下
一次网络的输出更接近期望结果。对于有教师学习，网络在能执行工作
任务之前必须先经过学习，当网络对于各种给定的输入均能产生所期望
的输出时，即认为网络己经在教师的训练下“学会”了训练数据集中包
含的知识和规则，可以用来进行工作了。
2)非监督学习（无教师学习）。在学习过程中，需要不断地给网络提供动
态输入信息。网络能根据特有的内部结构和学习规则，在输入信息流中
发现任何可能存在的模式和规律，同时能根据网络的功能和输入信息调
整权值，这个过程称为网络的自组织，其结果是使网络能对属于同一类
的模式进行自动分类。在这种学习模式中，网络的权值调整不取决于外
来教师信号的影响，可认为网络的学习评价标准隐藏于网络内部。
3)再励学习（强化学习）。这种学习方式介于上述两种情况之间，外部环
境对系统结果只给出评价信息而不是给出正确答案。学习系统通过强化
那些受奖的动作来改善自身的性能。
2语音识别技术概述
2.1语音识别技术简介
随着计算机技术的发展，人与机器之间的交流也越来越广泛和深入，从科学研究到日常生活，计算机己经渗透到人们生活的各个方面。在现代社会中，人们逐渐习惯借助计算机来完成各项事务。在这种情况下，如何让计算机智能化地与人进行通信，使人机交互更加自然方便成为现代计算机科学的重要研究课题之一[5]。
语音识别(Speech Recognition)主要是指让机器听懂人说的话，即在各种情况下，准确地识别出语音的内容，从而根据其信息，执行人的各种意图。语音识别是一门涉及面很广的交叉学科，它是目前发展最为迅速的信息研究诸领域中的一个，与计算机、通信、语音语言学、数理统计、信号处理、神经心理学和人工智能等学科都有着密切的关系。语音识别的最大优势在于使得人机用户界面更加自然和容易使用。随着计算机技术、模式识别和信号处理技术及声学技术等的发展，使得能满足各种需要的语音识别系统实现成为可能。近二三十年来，语音识别在工业、军事、交通、医学、民用诸方面，特别是在计算机、信息处理、通信与电子系统、自动控制等领域中有着越来越广泛的应用。
2.2语音识别技术的发展历程
语音识别的研究工作可以追溯到20世纪50年代。在1952年，AT&T贝尔研究所的Davis，Biddulph和Balashek研究成功了世界上第一个语音识别系统Audry系统，可以识别10个英文数字发音。1956年，在RCA实验室，Olson和Belar研制了可以识别一个说话人的10个单音节的系统，它同样依赖于元音带的谱的测量。1959年，英国的Fry和Denes研制了一个能够识别4个元音和9个辅音的识别器，他们采用了谱分析仪和模式匹配器。
60年代，计算机的应用推动了语音识别技术的发展，提出了一系列语音识别技术的新理论动态规划线性预测分析技术，较好的解决了语音信号产生的模型问题。代表是美国新泽西州普林斯顿RCA实验室的Martin有效的解决了语音事件时间尺度的非均匀性和识别结果的可变性；苏联的Vintsyuk提出了用动态规划的方法将两段语音的时间对齐的方法；卡耐基梅隆大学的Reddy采用的是音素的动态跟踪的方法为连续语音识别奠定了基础。
70年代，语音识别研究取得了重大的具有里程碑意义的成果，在小词汇量、孤立词的识别方面取得了许多实质性的进展；IBM语音研究小组，AT&A的贝尔研究所也开始了一系列有关非特定人语音识别的实验；苏联的Velichko和Zagoruyko的研究为模式识别应用于语音识别这一领域奠定了基础；日本的迫江和干叶的研究则展示了如何利用动态规划(Dynamic Programming)技术在待识语音模式与标准语音模式之间进行非线性时间匹配的方法；日本的板仓的研究则提出了如何将线性预测分析技术(LPC)加以扩展；同时，这个时期还提出了矢量量化(VQ)和隐马尔可夫模型(HMM)理论。
80年代，语音识别研究进一步走向深入。实验室语音识别研究的巨大突破产生于20世纪80年代末：一些小词汇量的识别系统具备了较高的识别率。同时，人们终于在实验室突破了大词汇量、连续语音和非特定人这三大障碍。美国卡耐基梅隆大学开发的连续语音识别系统——SPHINX，它是第一个高性能的非特定人、大量词汇的连续语音识别系统；隐马尔科夫模型(HMM)技术的成熟和不断完善，并最终成为语音识别的主流方法；人工神经网络(ANN)在语音识别中的应用研究的兴起。
90年代，在语音识别的系统框架方面并没有什么重大突破。但是，随着多媒体时代的来临，迫切要求语音识别系统从实验室走向实用，在语音识别技术的应用及商品化开发方面出现了很大的进展。比较有代表性的有：IBM公司推出的ViaV oice和Dragon System公司的Naturally Speaking，Nuance公司的Nuance V oice Platform语音平台，Microsoft的Whisper和Sun的V oiceTone等[6]。
2.3语音识别的基本原理及实现方法
语音识别过程就是一个模板匹配的过程，模板训练的好坏直接关系到语音系统识别的效果。语音识别模版匹配的过程如图2-1。
图2-1基于模板匹配的语音识别系统结构
2.3.1语音信号的预处理
语音信号的预处理是语音识别的前提与基础，因此语音信号的预处理在语音识别中具有举足轻重的地位。语音信号的预处理，包括语音的预加重、加窗分帧处理与端点检测等步骤[7]。
2.3.2语音短点检测
语音信号的起止点判别是任何一个语音识别系统都必不可少的组成部分。因为只有准确地找出语音段的起点和终点，才有可能使采集到的数据是真正要分析的语音信号，这样做不但减少了数据量、运算量和处理时间，同时也有利于提高系统识别率。端点作为语音分割的重要特征，在很大程度上影响了语音识别系统的性能。常见的端点检测方法有短时平均能量和短时过零率两种。
2.3.3语音信号的特征提取
特征提取的实质就是对语音信号进行数字化，用反映语音信号特点的若干特征参数来代表话音，将模拟信号转化为数字信号以便用计算机来进行处理。特征的选择对识别效果至关重要，选择的标准应体现对异音字之间的距离尽可能大，而同音字之间的距离应尽可能小。若以前者距离与后者距离之比为优化准则确定目标量，则应是该量最大。同时，还要考虑特征参数的计算量，应在保持高识别率的情况下，尽可能减少特征维数，以减少存储要求和利于实时实现。语音信号的特征有多种度量标准，反映短时谱包络的参数是语音识别中采用的主要特征参数，常用的有线性预测系数(LPC)、线性预测倒谱系数(LPCC)和Mel频率倒谱系数(MFCC)等[8]。
2.3.4语音信号识别的主要技术
语音识别过程就是一个模板匹配的过程，模板训练的好坏直接关系到语音系
统识别的效果。为了得到一个好的模板，往往需要有大量的原始语音数据来训练这个语音模型，特别是对于非特定人的语音识别系统来说，这一点显得更为重要。因此，在开始进行语音识别研究之前，首先要建立一个语音数据库，数据库包括不同性别、年龄、口音的说话人的声音，并且必须具有代表性，能均衡地反映实际使用情况。否则，用这种语音数据库训练出来的语音模型很难得到满意的识别效果。模板训练就是指按照一定的准则，从大量已知模式中获取表征该模式本质特征的模板参数。
常用的语音识别技术有：矢量化（VQ）技术、动态时间规整（DTW）、隐马尔科夫模型技术（HMM）、人工神经网络技术（ANN）等[9]。
3神经网络技术在语音识别中的应用
3.1神经网络技术进行语音识别的优点
基于ANN的语音识别系统通常由神经元、训练算法及网络结构等三大要素构成。ANN采用了并行处理机制、非线性信息处理机制和信息分布存贮机制等多方面的现代信息技术成果，因此，具有高速的信息处理能力，并且有着较强的适应和自动调节能力，在训练过程中能不断调整自身的参数权值和拓扑结构，以适应环境的和系统性能优化的需求，在模式识别中有着速度快、识别率高等显著特点。
目前语音识别神经网络主要有多层感知器误差反转（BP）网络、量子神经网络、循环神经网络、模糊聚类神经网络、混沌神经网络、回归神经网络、基于RBF神经网络的语音识别方法等[10]。
3.1.1多层感知器误差反转（BP）网络
多层感知器误差反传网络(BP网络)是采用反向传播算法的多层感知器神经网络，系统地解决了多层神经元网络中隐单元层连接权的学习问题，并在数学上给出了完整的推导,克服了HMM对声学上相似的词易混淆的缺点，已成功地用于音素识别。
采用BP算法的神经网络模型一般称为BP网络。多层BP神经网络模型的拓扑结构如图3-1所示。由图可见，它由输入层、中间层和输出层组成。其中，中间层也叫隐含层，它可以是一层或多层[11]。
图3-1 三层BP网络结构图
BP网络的学习过程由两部分组成：正向传播和反向传播。当正向传播时，输入信息从输入层经隐单元层处理后传向输出层，每一层神经元的状态只影响下一层的神经元状态。如果在输出层得不到希望的输出，则转入反向传播。反向传播时，误差信号从输出层向输入层传播并沿途调整各层间的连接权值以及神经元的偏置值，以使误差信号不断减小，这种过程不断迭代，最后使得信号误差达到允许的范围之内。
传统的BP神经网络不可避免的存在局部极小的问题，BP算法的收敛算法较慢，造成网络性能脆弱，容错性下降，浮点溢出，而太小的网络可能根本不收敛的问题。通过对输入矢量的归一化、初始权值合理的设定、采用批处理输入训练样本、采取自适应学习率的方法可以改善这种问题。
3.1.2量子神经网络
人脑中存在量子效应以及量子效应在人脑中所起的重要作用。英国Oxford 大学的Penrose教授早在1989年就开始研究人脑中的量子效应问题，他发现人体中一些细胞对单个量子敏感，因此大脑中可能存在量子力学效用，并提出将量子现象与广义相对论结合的新物理学能够解释人的理解、认知、意识等能力的观点。他从生物神经信息处理的角度阐述了量子效应与人脑功能的关系，为量子计算与ANN的结合提供了有益的支持[12, 13]。
经典ANN的许多功能源于其并行分布式信息处理能力和神经元变换的非线性。然而，量子理论的态叠加原理使QNN具有比ANN更强的并行处理能力并能处理更大型数据集。
与经典ANN相比，QNN具有以下几方面的潜在优势：(1)指数级的记忆容
量和回忆速度；(2)实现高性能、少隐层节点数的量子神经网络；(3)快速学习和高速信息处理(1010bits/s)能力；(4)由于不存在模式之间的相互干扰而具有消除灾变性失忆的潜力：(5)单层量子神经网络可求解线性不可分问题：(6)由于可实现高密度的量子神经元(1011个神经元/mm3)和利用量子神经元之间的纠缠特性而不需要网络连线使QNN的网络规模较小、网络拓扑结构较简单；(7)高稳定性和高可靠性等。
3.1.3循环神经网络
循环神经元网络（RNN）是一种既有前馈通路,又有反馈通路的神经元网络，其中反馈通路可将某一些神经元的输出经过一个或几个时间节拍之后送到其它神经元或自身反馈通路的引入，使得网络能够有效地处理时间序列的上下文信息, 这对语音识别来说是尤其重要的。90年代初期有人提出利用（RNN）进行语音音素识别。
将循环神经网络技术和HMM算法结合所采取的初始层训练，样本分步训练、教师信号分段添加等训练策略都能够在提高训练速度和效率的同时，使得模型分类性能有明显提高[13]。
3.1.4模糊聚类神经网络
该方法以模糊系统模型为基础，利用改进的模糊聚类辨识算法，构成一种新型的模糊聚类神经网络(FCNN)，并将其作为概率密度函数的估计器，对每个状态的输出进行预测．它不仅能有效地在语音识别中引入帧间相关信息，而且能克服状态输出概率密度函数为混合高斯分布的束缚。该方法由Takagi和Sugeno提出，是解决复杂系统辨识的有效方法之一，它是通过模糊规则来描述系统的行为，然后由多个局部线性模型来模糊逼近所描述的系统[14]。该模型结构如图3-2。
图3-2 T-S模糊神经网络结构
该网络采用乘积推理规则、加权法及最大隶属度法去模糊化。这种基于乘积型、高斯型的模糊神经网络已经被证明具有全局收敛性。T-S网络可以有效的发挥神经网络和模糊系统各自的优势[15]，不仅能够解决模糊系统模糊隶属函数的自动调整和模糊规则的生成问题，而且还使得网络不再是—个“黑箱子”学习模式。传统T-S模糊神经网络具有很好的学习、训练和推理能力，能够引入领域专家的经验知识，并利用模糊规则来指导网络的训练，使网络的训练能够更符合人的推理习惯。
4参考文献
1. 覃光华, 人工神经网络技术及其应用. 四川大学,[博], 2003.
2. 唐红梅, 人工神经网络技术在成熟期企业员工绩效评估中的研究与开发, 2006, 武汉理工大学.
3. 俞立婷, 何俊佳, and 陈家宏, 输电线路雷电活动时空分布特征的数据挖掘. 高电压技术, 2008. 34(2): p. 314-318.
4. 王景新, 基于神经网络技术的网络入侵检测系统研究与实现, 2002, 中国人民解放军国防科学技术大学.
5. 朱淑琴, 语音识别系统关键技术研究, 2004, 西安电子科技大学.
6. 雷涛, 基于神经网络的语音识别研究, 2005, 浙江工业大学.
7. 章文彬, 基于脉冲神经网络的语音识别方法研究, 2007, 浙江工业大学.
8. 夏妍妍, 基于RBF 神经网络的语音识别方法的应用研究, 2008, 大连海事大学.
9. 郑肖霞, 基于RBF 神经网络的语音识别研究, 2007, 河北工业大学.
10. 李鹏怀and 徐佩霞, 基于DSP 的嵌入式语音识别系统的实现[J]. 计算机工程, 2005. 31(16).
11. 吴炜烨, 基于神经网络语音识别算法的研究, 2009, 中南大学.
12. 李飞, 赵生妹, and 郑宝玉. 量子神经网络及其在语音识别中的应用. 2005.
13. 朱小燕, 王昱, and 徐伟, 基于循环神经网络的语音识别模型.计算机学报, 2001. 24(2): p. 213-218.
14. 刘宇红, 刘桥, and 任强, 基于模糊聚类神经网络的语音识别方法.计算机学报, 2006. 29(10): p. 1894-1900.
15. 王鹏and 张雪英, 改进的T - S 模糊神经网络在语音识别中的应用.计算机工程与应用, 2009. 45(4).
浅析语音识别技术的难点及对策
浅析语音识别技术的难点及对策 在人际交往中，言语是最自然并且最直接的方式之一。随着技术的进步，越来越多的人们也期望计算机能够具备与人进行言语沟通的能力，因此，语音识别这一技术也越来越受到关注。尤其，随着深度学习技术应用在语音识别技术中，使得语音识别的性能得到了显著提升，也使得语音识别技术的普及成为了现实。 语音识别技术 自动语音识别技术，简单来说其实就是利用计算机将语音信号自动转换为文本的一项技术。这项技术同时也是机器理解人类言语的第一个也是很重要的一个过程。 语音识别是一门交叉学科，所涉及的领域有信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等，甚至还涉及到人的体态语言（如人民在说话时的表情手势等行为动作可帮助对方理解）。其应用领域也非常广，例如相对于键盘输入方法的语音输入系统、可用于工业控制的语音控制系统及服务领域的智能对话查询系统，在信息高度化的今天，语音识别技术及其应用已成为信息社会不可或缺的重要组成部分。 语音识别技术的发展历史 语音识别技术的研究开始二十世纪50年代。1952年，AT">60年代计算机的应用推动了语音识别技术的发展，提出两大重要研究成果：动态规划(Dynamic Planning，DP)和线性预测分析(Linear Predict，LP)，其中后者较好的解决了语音信号产生模型的问题，对语音识别技术的发展产生了深远影响。 70年代，语音识别领域取得突破性进展。线性预测编码技术(Linear Predict Coding，LPC)被Itakura成功应用于语音识别；Sakoe和Chiba将动态规划的思想应用到语音识别并提出动态时间规整算法，有效的解决了语音信号的特征提取和不等长语音匹配问题；同时提出了矢量量化（VQ）和隐马尔可夫模型（HMM）理论。在同一时期，统计方法开始被用来解决语音识别的关键问题，这为接下来的非特定人大词汇量连续语音识别技术走向成熟奠
基于BP神经网络的语音识别技术
海事大学 神经网络与语音识别 院系: 物流工程学院 课程名称: 制造与物流决策支持系统学生姓名: 学号: 时间:
目录 一．绪论 (3) 1.1 研究背景及意义 (3) 1.2 语音识别的国外研究现状 (3) 1.3研究容 (4) 二．语音识别技术 (5) 2.1语音信号 (5) 2.2语音信号的数学模型 (5) 2.3 语音识别系统结构 (6) 2.4 语音信号预处理 (7) 2.4.1 语音信号的采样 (8) 2.4.2语音信号的分帧 (8) 2.4.3语音信号的预加重 (9) 2.4.4 基于短时能量和过零率的端点检测 (9) 2.5 特征参数提取 (12) 三．基于BP神经网络语音识别算法实现 (14) 3.1 BP神经网络原理 (14) 3.2 输入层神经元个数的确定 (14) 3.3网络隐含层数的确定 (15) 3.4隐含层神经元个数的确定 (15) 3.5 BP神经网络构造 (15) 3.6 BP神经网络的训练 (16) 3.6.1训练样本集合和目标值集合 (16) 3.6.2 网络训练 (16) 3.7网络训练 (17) 3.8 语音的识别结果 (18) 四．总结 (19) 参考文献 (20) 附录 (21)
一．绪论 计算机的飞速发展，使人们的生活方式发生了根本性的改变，鼠标、键盘，这些传统的人机接口使人们体会到了生活的便利。科学技术日新月异，假如让“机器”能够听懂人的语言，并根据其信息去执行人的意图，那么这无疑是最理想的人机智能接口方式，因此语音识别作为一门极具吸引力的学科应运而生，很多专家都指出语音识别技术将是未来十年信息技术领域十大重要的科技发展技术之一。 语音识别(Speech Recognition)是指，计算机从人类获取语音信息，对语音信息进行分析处理，准确地识别该语音信息的容、含义，并对语音信息响应的过程。语音信号具有非稳定随机特性，这使得语音识别的难度大。目前人类甚至仍没有完全理解自身听觉神经系统的构造与原理，那么要求计算机能像人类一样地识别语音信号很有挑战性。 1.1 研究背景及意义 语言在人类的智能组成中充当着很重要的角色，人与人之间的交流和沟通大部分是通过语言的方式有效的完成。作为人与人之问交流最方便、自然、快捷的手段，人们自然希望它成为人与计算机交流的媒介。随着数字信号处理及计算机科学的飞速发展，人们对实现人机对话产生越来越迫切的要求，使得语音识别技术近年来得到了迅速的发展，语音识别技术的研究进入了一个比较成熟的时期。语音识别是一门交叉科学，它综合了声学、语言学、语音学、生理科学、数字信号处理、通信理论、电子技术、计算机科学、模式识别和人工智能等众多学科。也是人机交互最重要的一步。 1.2 语音识别的国外研究现状 通过语音传递信息是人类最重要，最有效，和最方便的交换信息的形式，语音识别主要指让机器转达人说的话，即在各种情况下，准确的识别出语音的容，
语音识别技术文献综述
语音识别技术综述 The summarization of speech recognition 张永双 苏州大学 摘要 本文回顾了语音识别技术的发展历史，综述了语音识别系统的结构、分类及基本方法，分析了语音识别技术面临的问题及发展方向。 关键词：语音识别；特征；匹配 Abstact This article review the courses of speech recognition technology progress ,summarize the structure,classifications and basic methods of speech recognition system and analyze the direction and the issues which speech recognition technology development may confront with. Key words: speech recognition;character;matching 引言 语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。语音识别是一门交叉学科，所涉及的领域有信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等，甚至还涉及到人的体态语言（如人民在说话时的表情手势等行为动作可帮助对方理解）。其应用领域也非常广，例如相对于键盘输入方法的语音输入系统、可用于工业控制的语音控制系统及服务领域的智能对话查询系统，在信息高度化的今天，语音识别技术及其应用已成为信息社会不可或缺的重要组成部分。 1.语音识别技术的发展历史 语音识别技术的研究开始二十世纪50年代。1952年，AT&Tbell实验室的Davis等人成功研制出了世界上第一个能识别十个英文数字发音的实验系统：Audry系统。
语音识别发展现状与展望
中国中文信息学会第七次全国会员代表大会 暨学会成立30周年学术会议 语音识别发展现状与展望中科院自动化研究所徐波 2011年12月4日
报告提纲 ?语音识别技术现状及态势?语音识别技术的行业应用?语音识别技术研究方向?结论与展望
2010年始语音识别重新成为产业热点?移动互联网的兴起成为ASR最重要的应用环境。在Google引领下，互联网、通信公司纷纷把语音识别作为重要研究方向 –Android系统内嵌语音识别技术，Google语音 翻译等； –iPhone4S 上的Siri软件； –百度、腾讯、盛大、华为等都进军语音识别领 域； –我国语音技术领军企业讯飞2010年推出语音云识别、讯飞口讯 –已有的QQ2011版语音输入等等
成熟度分析-技术成熟度曲线 ?美国市场调查咨询公司Gartner于2011年7月发布《2011新兴技术成熟度曲线》报告：
成熟度分析-新兴技术优先矩阵?Gartner评出了2011年具有变革作用的技术，包括语音识别、语音翻译、自然语言问答等。其中语音翻译和自然语言问答有望在5-10年内获得大幅利用，而语音识别有望在2-5年内获得大幅利用；
三十年语音识别技术发展 ---特征提取与知识方面?MFCC，PLP，CMS，RASTA，VTLN；?HLDA, fMPE，neural net-based features ?前端优化 –融入更多特征信息(MLP、TrapNN、Bottle Neck Features等） ?特征很大特点有些是跟模型的训练算法相匹配?大规模FSN图表示，把各种知识源集中在一起–bigram vs. 4-gram, within word dependencies vs. cross-word
人工智能论文 语音识别
信息学院 《人工智能及其应用》课程论文题目：基于神经网络的语音信号识别 作者黄超班级自动08-1BF班 系别信息学院专业自动化 完成时间 2011.6.12
基于神经网络的语音信号识别 摘要 语言是人类之间交流信息的主要手段之一，自电脑发明以来，人们就一直致力于使电 脑能够理解自然语言。语音识别技术是集声学、语音学、语言学、计算机、信息处理和人工 智能等诸领域的一项综合技术，应用需求十分广阔，长期以来一直是人们研究的热点。 神经网络是在现代科学研究成果的基础上提出来的模拟人脑结构机制的一门新兴科 学，它模拟了人类神经元活动的原理，具有自学习、联想、对比、推理和概括能力，为很好 地解决语音识别这样一个复杂的模式分类问题提供了新的途径。 本文针时语音识别的特点．对BP神经网络在语音识别技术中的应用进行了探索性研究， 进而结合人工智能领域较为有效的方法——遗传(GA)算法。针对传统BP算法识别准确率高 但训练速度慢的缺点，对BP网络进行改进，构建了一种基于遗传神经网络的语音识别算法(GABP)，并建立相应的语音识别系统。仿真实验表明，该算法有效地缩短了识别时问，提 高了网络训练速度和语音的识别率。 关键词：语音识别，神经网络，遗传算法，遗传神经网络,BP网络 THE RSREARCH OF SPEECH RECOGNITION BASED ON THE NEURAL NETWORK ABSTRACT Language is one of the most important means of exchanging information among the mankind．Since the computer was invented，many scientists have been devoted to enabling the computer to understand the natural language．Speech recognition is a comprehensive technology of such areas as acoustics，phonetics，linguistics，computer science，information processing and artificial intelligence，which can be used widely．The research of speech recognition technology has been focused by the world for a long time．The neural network is a new developing science，which simulates the mechanism of human brain and was putted forward by the developing of modern science．It is not the overall description of human brain，but the abstract，simulation and simplifying of the physical neural networks of human beings. The purpose of the research in this area is exploring the human brain mechanisms in information processing，storing and searching．If people can understand these mechanisms，a new way for the research of artificial intelligence，information processing and etc.
语音识别技术
目前主流的语音识别技术是基于统计模式识别的基本理论。一个完整的语音识别系统可大致分为三部分： （1）语音特征提取： （2）声学模型与模式匹配（识别算法） （3）语义理解：计算机对识别结果进行语法、语义分析。 语音识别技术，也被称为自动语音识别Automatic Speech Recognition，(ASR)， 语音识别的发展简史 1952年AT& T Bell实验室实现了一个单一发音人孤立发音的十个英文数字的语音识别系统，到现在的人机语音交互。语音识别研究从二十世纪50年代开始到现在历半个多世纪的蓬勃发展，在这期间获得了巨大的进展。 现代语音识别技术研究重点包括即兴口语的识别和理解，自然口语对话，以及多语种的语音同声翻译。 语音识别应用的特点 1.语音识别系统必须覆盖的功能包括： （1）语音识别系统要对用户有益（希望它是能检测到的）。例如提高生产率，容易使用，更好的人机界面，或更自然的信息交流模式。 （2）语音识别系统要对用户“友好”。这种“友好”的含义是：用户在和系统进行语音对话时感到舒适；系统的语音提示既有帮助，又很亲近。 （3）语音识别系统必须有足够的精度 （4）语音识别系统要有实时处理能力；例如系统对用户询问的响应时间要很短。 2. 语音识别错误的处理 有以下四种方式可以处理这个问题。 （1）错误弱化法。这种处理仅仅花费用户很少一点时间，对用户几乎没什么其它不利影响。 （2）错误自检纠正法 系统利用已知任务的限制自动地检测并纠正错误。 （3）确认或多层次判定
（4）拒绝/转向人工座席。系统对其中通常较易导致系统识别错误的极少部分语音指令拒绝做出识别决定，而是将其转给人工座席。 在很多情况下，语音识别技术可以充分发挥出RFID的潜能： 1.积压产品、脱销产品 2.被废弃、被召回或已过期产品 3.回收的商品 4.促销产品 RFID系统在利用原有语音导向投资的情况下可以大大增加收益 语音识别技术在邮件分拣中的应用 现代化分拣设备在邮政上的应用大大提高了邮件处理的效率。但是，并不是所有的邮件都能上分拣机处理，那些需要人工处理的邮件成了邮政企业实现自动化的瓶颈。邮政使用人工标码技术以及先进的计算机软件 系统来处理不能上机的邮件，仍需要大量的劳动力。 由MailCode公司开发并准备申请专利的Spell-ItTM软件技术通过提高系统数据库能力的方式对语音识别自动化设备进行了革命性的变革。这种技术提供了无限的数据库能力，并且保证分拣速度不会因数据库的增大而减小。由各大语音引擎公司开发的系统还支持世界上的各种主要语言，这样，语音技术就成为世界性的产品。 以英语语音识别系统为例，系统建立了36个可识别字符26个字母加上0～9的10个数字，同时还建立了一套关键词。Spell-It软件使用这些字符来识别成千上万的口语词汇和无数的词语组合。 对于大公司的邮件收发中心来说，使用MailCode公司的Spell-It软件技术，分拣员实际上只需发出几个字符的音来找到和数据库中相对应的词。例如：碰到了寄给Joseph Schneider的邮件，操作员只需发出“J”、“S”、“C”和“H”几个音就可以得到准确的分拣信息。 姓名和邮箱编码：Jennifer Schroeder, 软件工程部；Joseph Schneider, 技术操作部；Josh Schriver, 技术操作部，因为这三个姓名全都符合（J,S,C,H）的发音标准。邮件中心的操作员知道邮件实际上是寄给Joseph Schneider的，就可以把邮件投入Joseph Schneide的信箱了。 邮局要把邮件按投递路线分发，分拣员必须熟悉长长的投递段列表以及各种各样的国际邮件投递信息。Spell-It技术把地址、投递路线等信息都存入了系统，这样就大大方便了分拣工作。 例如，有一件寄往Stonehollow 路2036号的邮件。使用语音识别技术，分拣员仅仅需要发出“2”、“0”、“S”、“T”和“O”几个音，如表2所示，数据库就会给出所有可能和这几
语音识别论文
语音信号的分析与处理 摘要：本文针对语音信号时域、频域参数进行了系统详尽的分析，并在MATLAB环境下实现了基于DTW算法的特定人孤立词语音信号的识别。 关键词：语音信号；短时傅里叶；MFCC；动态时间规整 引言 语音信号参数分析是语音信号处理的前提和基础。语音信号处理包括语音通信、语音增强、语音合成、语音识别和说话人识别等方面。只有通过语音信号的分析才能获得语音本质特性的参数，才能利用这些参数进行高效的语音通信，才能建立语音合成的语音库，也才可能建立用于语音识别的模板和知识库。此外，语音合成音质的好坏、语音识别率的高低，都取决于语音信号参数分析的准确性和精度。因此，语音信号参数分析是语音信号处理研究中一项非常有意义的工作[1]。 近年来，语音识别已经成为一个非常活跃的研究领域。在不远的将来，语音识别技术有可能作为一种重要的人机交互手段，辅助甚至取代传统的键盘、鼠标等输入设备，在个人计算机上进行文字录入和操作控制。而在手持式PDA、智能家电、工业现场控制等应用场合，语音识别技术则有更为广阔的发展前景[2]。 在特定人孤立词语音识别中，最为简单有效的方法是采用DTW(Dynamic Time Warping,动态时间规整)算法，该算法基于动态规划(DP)的思想,解决了发音长短不一的模板匹配问题，是语音识别中出现最早、较为经典的一种算法[3]。 MATLAB是一种功能强大、效率高、交互性好的数值计算和可视化计算机高级语言，它将数值分析、信号处理和图形显示有机地融合为一体，形成了一个极其方便、用户界面友好的操作环境。本文就是在MA TLAB基础上来进行语音信号参数的分析与语音信号的识别的。 一、语音信号的分析 1参数分析 语音信号是一种典型的非平稳信号。但是，由于语音的形成过程是与发音器官的运动密切相关的，这种物理运动比起声音振动速度来讲要缓慢得多，因此语音信号常常可被假定为短时平稳的，即在10一20ms这样的时间段内，其频谱特性和某些物理特征参量可被近似地看作不变。这样，我们就可以采用平稳过程的分析处理方法来处理，一般而言语音信号处理的方法都是基于这种短时平稳的假设的。根据语音信号所分析参数的不同，语音信号参数分析可以分为时域、频域、倒谱域分析等[4]。本文仅涉及时域及频域参数分析。 2时域分析 进行语音信号最为直观的分析方法就是时域分析。语音信号本身就是时域信号，因而时域分析是最早使用，也是应用最广泛的一种方法，这种方法直接利用语音信号的时域波形。时域分析通常用于最基本的参数分析以及语音的分割、预处理和大分类等。时域分析方法的特点是：第一，表示语音信号比较直观，物理意义明确；第二，实现起来比较简单，运算量少；第三，可以得到语音的一些重要参数；第四，采用示波器等通用设备，使用简单[5]。 2.1短时能量分析 短时能量分析用途：第一，可以区分清音段和浊音段，因为浊音时的短时平均能量值比清音时大得多；第二，可以用来区分声母与韵母的分界、无声与有声的分界、连字的分界等。如对于高信
神经网络期末报告
学习报告—— 基于信息论的神经网络模型 专业：计算数学 班级：数学二班 学号：152111033 姓名：刘楠楠
本报告主要分为两个部分，第一部分主要是对神经网络做一个整体的论述，阐述神经元的模型基理和特点，第二部分则是利用信息论的知识来研究神经元信号传递过程中，在有外界噪声的干扰下，如何保证信息最终能够达到最大输出。第三部分列举了一个拟合图像的算例，用于对比不同算法对噪声的敏感程度。 1 神经网络概述 1.1人工神经网络的概念 人工神经网络（Artificial Neural Networks，ANNs），是人脑或自然神经网络对信息感知与处理等智能行为的抽象和模拟，是一种分布式并行处理系统，它具有自组织、自学习、自适应和非线性动态处理的特性。可以实现人脑的概括、类比和推广能力，因而可以从大量数据中提取所需要的信息，通过联想记忆和推理等能力来获取所需要的数据。目前，已经开发和应用的神经网络有30多种，比较典型的有以下几种：感知器（Perceptron），多层感知器（MLP），BP前向网络，Hopfield网络和竞争型（Kohonen）神经网络。可以说人工神经网络就是模拟人思维的第二种方式。 1.2 人工神经网络的工作原理及特点 人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。人工神经网络首先要以一定的学习准则进行学习，然后才能工作,它反映了人脑功能的若干基本特性，但并非生物系统的逼真描述，只是某种模仿、简化和抽象。与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别和过程控制。人工神经网络吸取了生物神经网络的许多优点，因而有其固有的特点： （1）高度的并行性 人工神经网络由许多相同的简单处理单元并列组合而成，虽然每个单元的结构和功能比较简单，但大量简单处理单元的并行行动，使其对信息的处理能力与效果惊人。
基于BP神经网络的语音识别技术
上海海事大学神经网络与语音识别 院系: 物流工程学院 课程名称: 制造与物流决策支持系统学生姓名: 学号: 时间: 目录
一．绪论 计算机的飞速发展，使人们的生活方式发生了根本性的改变，鼠标、键盘，这些传统的人机接口使人们体会到了生活的便利。科学技术日新月异，假如让“机器”能够听懂人的语言，并根据其信息去执行人的意图，那么这无疑是最理想的人机智能接口方式，因此语音识别作为一门极具吸引力的学科应运而生，很多专家都指出语音识别技术将是未来十年信息技术领域十大重要的科技发展技术之一。 语音识别(Speech Recognition)是指，计算机从人类获取语音信息，对语音信息进行分析处理，准确地识别该语音信息的内容、含义，并对语音信息响应的过程。语音信号具有非稳定随机特性，这使得语音识别的难度大。目前人类甚至仍没有完全理解自身听觉神经系统的构造与原理，那么要求计算机能像人类一样地识别语音信号很有挑战性。 研究背景及意义 语言在人类的智能组成中充当着很重要的角色，人与人之间的交流和沟通大部分是通过语言的方式有效的完成。作为人与人之问交流最方便、自然、快捷的手段，人们自然希望它成为人与计算机交流的媒介。随着数字信号处理及计算机科学的飞速发展，人们对实现人机对话产生越来越迫切的要求，使得语音识别技术近年来得到了迅速的发展，语音识别技术的研究进入了一个比较成熟的时期。语音识别是一门交叉科学，它综合了声学、语言学、语音学、生理科学、数字信号处理、通信理论、电子技术、计算机科学、模式识别和人工智能等众多学科。也是人机交互最重要的一步。 语音识别的国内外研究现状 通过语音传递信息是人类最重要，最有效，和最方便的交换信息的形式，语
语音识别的发展及应用
语音识别的发展及应用 本文介绍了隐马尔可夫模型（Hidden Markov Model，HMM），传统的人工神经网络语音识别方法以及改进的人工神经网络，针对最近研究热点深度学习在语音识别中的应用做了详细的描述，并对与人工神经网络在语音识别中的缺点进行阐述，就如何将HMM与深度神经网络联合起来运用到语音识别中进行详细的分析与介绍。 标签：隐马尔科夫模型人工神经网络深度学习 一、引言 伴随着计算机技术的不断进步以及人工智能学科的飞速发展。人们对大脑学习、思维机能的研究逐渐深入。人工神经网络作为借鉴人脑神经元互相连结构的信息处理网络，受到了广泛的关注。深度学习作为人工神经网络的一个分支，能够从海量的数据中挖掘到有效的信息，成为语音识别领域的一个研究热点。 二、隐马尔科夫模型 隐马尔可夫模型[3]（HMM）是马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生。所以，隐马尔可夫模型是一个双重随机过程——具有一定状态数的隐马尔可夫链和显示随机函数集。 隐马尔科夫模型（HMM）可以用五个元素来表示，包括两个状态集合和三个概率矩阵：1.隐含状态S;2.可转移状态O;3aaaa.初始状态概率矩阵π;4.隐含状态转移概率矩阵A;5.观测状态转移概率矩阵B。一般的，可以用λ=（A，B，π）三元组来简洁的表示一个隐马尔科夫模型。应用隐马尔科夫模型通常解决三类基本问题：1.评估问题;2.解码问题;3.学习问题。 隐马尔可夫模型是目前进行声学建模的主流技术。采用5状态的连续HMM 模型（见图1），其中1、5状态只起连接作用，没有观测概率，第2、3、4状态有高斯概率分布，假设特征参数是相互独立的，所以规定协方差矩阵为对角阵。 图1 五状态HMM模型结构 三、深度神经网络模型 1.神经网络的基本概念 神经网络即人工神经网络，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法的数学模型。此网络依靠系统的复杂程度，通过调整内部大
语音识别(人机交互小论文)
计算机科学与信息工程学院《人机交互》课程 小论文 2014年6月
语音识别 1、语音识别的背景与意义 语音识别是解决机器“听懂”人类语言的一项技术。作为智能计算机研究的主导方向和人机语音通信的关键技术，语音识别技术一直受到各国科学界的广泛关注。 随着现代科学的发展，人们在与机器的信息交流中，需要一种更加方便、自然的方式，而语言是人类最重要、最有效、最常用和最方便的通信形式。这就很容易让人想到能否用自然语言代替传统的人机交流方式(如键盘、鼠标等)。人机自然语音对话就意味着机器应具有听觉，能“听懂”人类的口头语言，这就是语音识别(Speech Recognition)的功能。语音识别是语音信号处理的重要研究方向之一，它是一门涉及面很广的交叉学科，与计算机、通信、语音语言学、数理统计、信号处理、神经生理学、神经心理学、模式识别、声学和人工智能等学科都有密切的联系。它还涉及到生理学、心理学以及人的体态语言。 2、语音识别系统 语音识别本质上是一种模式识别的过程，未知语音的模式与已知语音的参考模式逐一进行比较，最佳匹配的参考模式被作为识别结果。图1是基于模式匹配原理的自动语音识别系统原理框图。 (1)预处理模块：对输入的原始语音信号进行处理，滤除掉其中的不重要的信息以及背景噪声，并进行语音信号的端点检测、语音分帧以及预加重等处理。 (2)特征提取模块：负责计算语音的声学参数，并进行特征的计算，以便提取出反映信号特征的关键特征参数用于后续处理。现在较常用的特征参数有线性预测（LPC)参数、线谱对（LSP)参数、LPCC、MFCC、ASCC、感觉加权的线性预测（PLP)参数、动态差分参数和高阶信号谱类特征等[1]。其中，Mel频率倒谱系数（MFCC)参数因其良好的抗噪性和鲁棒性而应用广泛。 (3)训练阶段：用户输入若干次训练语音，经过预处理和特征提取后得到特征矢量参数，建立或修改训练语音的参考模式库。
SPSS17神经网络学习pdf
SPSS 神经网络TM17.0 – 说明书 建立预测模型的新工具 您的组织需要从复杂多变的业务中发现潜在的模式和联系，做出更好的决定。您可能正在使用SPSS Statistics Base 和它的一个或者几个附加模块来帮助您做这些事情。如果这样，您已经知道了它的强大和多功能性。但是，您可以做得更多。 使用SPSS神经网络，可以帮助您探索数据中微妙或者隐藏的模式。这个附加模块可以帮助您发现数据中更复杂的关系，产生更有效果的预测模型。 SPSS神经网络是对SPSS Statistics Base以及附加模块中传统统计方法的一个补充。您可以使用SPSS神经网络发现数据中间的新关系，然后用传统的统计技术检验其显著性。 SPSS神经网络可以仅仅作为客户端软件安装，但是为了得到更好的性能和扩展性，它也可以与SPSS Statistics Base Sever一起作为Client/Server安装。 为什么要使用神经网络？ 神经网络是一个非线性的数据建模工具集合，它包括输入从始至终控制整个过程 SPSS神经网络，包括多层感知器（MLP）或者径向基函数（RBF）两种方法。 这两种方法都是有监督的学习技术－也就是说，他们根据输入的数据映射出关系。这两种方法都采用前馈结构，意思是数据从一个方向进入，通过输入节点、隐藏层最后进入输出节点。你对过程的选择受到输入数据的类型和网络的复杂程度的影响。此外，多层感知器可以发现更复杂的关系，径向基函数的速度更快。MLP可以发现更复杂的关系，而通常来说RBF更快。 使用这两种方法的任何一种，您可以将数据拆分成训练集、测试集、验证集。训练集用来估计网络参数。测试集用来防止过度训练。验证样本用来单独评估最终的网络，它将应用于整个数据集和新数据。
语音识别技术原理及应用
语音AgentNet 的整体实现张宇伟
摘要： 本文论述了一个人机对话应用的实现(我命名它为AgentNet)。其应用实例为一种新的整合了语音技术的智能代理网络服务。 服务器端开发使用了微软SQL SERVER 7.0技术,客户端使用了微软Agent ，微软Specch SDK5语音合成，和语音识别技术。网络连接使用了SOCKET 技术,并论述了高层网络协议的实现。 [关键词] 人机对话，MS-AGENT,语音合成，语音识别，网络编程 [Abstract] This paper discuss a new actualization of man-machine conversation application, which is based on a modal of network service. And I name this service with the name of AgentNet. The development of this service used Microsoft SQL SERVER 7.0. And the client used the technology of Microsoft Agent, TTS (Text To Speech),SR(Speech Recognition).Also the client and the server connect with SOCKET. On the SOCKET, the paper discuss the development of High-Level net protocol. [Key Words] Man-Machine Conversation, MS-AGENT, TTS , SR ,Net Work Programming
语音识别基本知识及单元模块方案设计
语音识别是以语音为研究对象，通过语音信号处理和模式识别让机器自动识别和理解人类口述的语言。语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。语音识别是一门涉及面很广的交叉学科，它与声学、语音学、语言学、信息理论、模式识别理论以及神经生物学等学科都有非常密切的关系。语音识别技术正逐步成为计算机信息处理技术中的关键技术，语音技术的应用已经成为一个具有竞争性的新兴高技术产业。 1语音识别的基本原理 语音识别系统本质上是一种模式识别系统，包括特征提取、模式匹配、参考模式库等三个基本单元，它的基本结构如下图所示： 未知语音经过话筒变换成电信号后加在识别系统的输入端，首先经过预处理，再根据人的语音特点建立语音模型，对输入的语音信号进行分析，并抽取所需的特征，在此基础上建立语音识别所需的模板。而计算机在识别过程中要根据语音识别的模型，将计算机中存放的语音模板与输入的语音信号的特征进行比较，根据一定的搜索和匹配策略，找出一系列最优的与输入语音匹配的模板。然后根据此模板的定义，通过查表就可以给出计算机的识别结果。显然，这种最优的结果与特征的选择、语音模型的好坏、模板是否准确都有直接的关系。2语音识别的方法 目前具有代表性的语音识别方法主要有动态时间规整技术（DTW）、隐马尔可夫模型（HMM）、矢量量化（VQ）、人工神经网络（ANN）、支持向量机（SVM）等方法。 动态时间规整算法（Dynamic Time Warping，DTW）是在非特定人语音识别中一种简单有效的方法，该算法基于动态规划的思想，解决了发音长短不一的模板匹配问题，是语音识别技术中出现较早、较常用的一种算法。在应用DTW算法进行语音识别时，就是将已经预处理和分帧过的语音测试信号和参考语音模板进行比较以获取他们之间的相似度，按照某种距离测度得出两模板间的相似程度并选择最佳路径。 隐马尔可夫模型（HMM）是语音信号处理中的一种统计模型，是由Markov链演变来的，所以它是基于参数模型的统计识别方法。由于其模式库是通过反复训练形成的与训练输出信号吻合概率最大的最佳模型参数而不是预先储存好的模式样本，且其识别过程中运用待识别语音序列与HMM参数之间的似然概率达到最大值所对应的最佳状态序列作为识别输出，因此是较理想的语音识别模型。 矢量量化（Vector Quantization）是一种重要的信号压缩方法。与HMM相比，矢量量化主要适用于小词汇量、孤立词的语音识别中。其过程是将若干个语音信号波形或特征参数的标量数据组成一个矢量在多维空间进行整体量化。把矢量空间分成若干个小区域，每个小区域寻找一个代表矢量，量化时落入小区域的矢量就用这个代表矢量代替。矢量量化器的设计就是从大量信号样本中训练出好的码书，从实际效果出发寻找到好的失真测度定义公式，设计出最佳的矢量量化系统，用最少的搜索和计算失真的运算量实现最大可能的平均信噪比。在实际的应用过程中，人们还研究了多种降低复杂度的方法，包括无记忆的矢量量化、有记忆的矢量量化和模糊矢量量化方法。 人工神经网络（ANN）是20世纪80年代末期提出的一种新的语音识别方法。其本质上是一
语音识别开题报告
青岛大学 毕业论文(设计)开题报告 题目：孤立词语音识别的并行编程实现 学院：自动化工程学院电子工程系 专业：通信工程 姓名：李洪超 指导教师：庄晓东 2010年3月22日
一、文献综述 语音识别是解决机器“听懂”人类语言的一项技术。作为智能计算机研究的主导方向和人机语音通信的关键技术，语音识别技术一直受到各国科学界的广泛关注。如今，随着语音识别技术研究的突破，其对计算机发展和社会生活的重要性日益凸现出来。以语音识别技术开发出的产品应用领域非常广泛，如声控电话交换、信息网络查询、家庭服务、宾馆服务、医疗服务、银行服务、工业控制、语音通信系统等，几乎深入到社会的每个行业和每个方面。 广泛意义上的语音识别按照任务的不同可以分为4个方向：说话人识别、关键词检出、语言辨识和语音识别[1]。说话人识别技术是以话音对说话人进行区别，从而进行身份鉴别和认证的技术。关键词检出技术应用于一些具有特定要求的场合，只关注那些包含特定词的句子。语言辨识技术是通过分析处理一个语音片断以判别其所属语言种类的技术，本质上也是语音识别技术的一个方面。语音识别就是通常人们所说的以说话的内容作为识别对象的技术，它是4个方面中最重要和研究最广泛的一个方向，也是本文讨论的主要内容。 1.1 语音识别技术现状 1.1.1 语音识别获得应用 伴随着语音识别技术的不断发展，诞生了全球首套多语种交谈式语音识别系统E-talk。这是全球惟一拥有中英混合语言的识别系统，能听能讲普通话、广东话和英语，还可以高度适应不同的口音，因而可以广泛适用于不同文化背景的使用者，尤其是中国地区语言差别较大的广大用户。由于E-talk可以大大提高工作效率，降低运营成本，并为用户提供更便捷的增值服务，我们相信它必将成为电信、证券、金融、旅游等重视客户服务的行业争相引用的电子商务应用系统，并成为电子商务发展的新趋势，为整个信息产业带来无限商机。 目前，飞利浦推出的语音识别自然会话平台SpeechPearl和SpeechMania已成功地应用于国内呼叫中心，SpeechPearl中的每个识别引擎可提供高达20万字的超大容量词库，尤其在具有大词汇量、识别准确性和灵活性等要求的各种电信增值服务中有着广泛的应用。 1.1.2 语音合成信息服务被用户接受 语音合成技术把可视的文本信息转化为可听的声音信息，其应用的经济效益和社会效益前景良好。尤其对汉语语音合成技术的应用而言，全球有十几亿人使用中文，其市场需求、应用前景和经济效益等可见一斑。
神经网络在语音识别上的应用
H a r b i n I n s t i t u t e o f T e c h n o l o g y 神经网络与智能信号处理 实验报告 神经网络实验报告 1、实验名称： 神经网络在语音识别上的应用 2、实验目的： 进一步了解神经网络在语音识别上的应用，了解神经网络的基本原理，学习神经网络的算法，还可以进一步分析不同的隐节点数以及训练步数对误差性能的影响。 3、实验要求： 1、设计一个标准的BP学习算法网络来对语音信号26个字母进行识别。 2、在训练时采用不同的隐含层神经元个数，分析其对网络性能、语音识别系统的识别率的影响。 3、用所创建的BP神经网络进行26个字母的语音识别，观察并记录结果，并分析其误差。 4、实验步骤： 1、语音识别的基本原理
语音识别的总体流程如下： 语音输入时要先经过预处理，包括预加重、分帧加窗等。然后进行特征提取，该实验中的特征参数为MFCC 参数。语音特征参数的时间序列构成语音的模式，将其与获得的参考模式逐一比较，获得最佳匹配的参考模式便是识别结果。 由于语音信号的复杂性，所以在一开始在语音信号输入语音识别系统时需要进行预处理，预处理包括预加重，分帧加窗，端点检测等。预加重的目的是为了加强语音的高频部分，以便在特征提取阶段进行频谱分析。分帧加窗的目的是为了使帧与帧之间平滑过渡，保持连续性以及保持语音信号的短时平稳性，降低由于不连续而产生的Gibbs 效应。端点检测的目的就是从语音信号序列中截取实际有效的语音信号。 特征提取阶段，是从语音数据中提取能反映语音信号特征和变化规律的参数，以唯一表征语音，这儿选用的语音信号特征参数为MEL 频率倒谱系数，即MFCC 。MEL 频率倒谱的实现过程如下图所示： （1）对语音信号进行预处理，加窗、分帧将其变为短时信号。 （2） 将短时时域信号转变为频域信号，并计算其短时能量，离散傅立叶变换。将时域信号 后补若干0形成长为N 的序列，再经过离散傅立叶变换得到线性频谱，变换公式： 0n,k N-1 （3）在频标内三角带通滤波器个加于坐标得到滤波器组，转化关系为
数字信号处理作业之语音识别小论文
绪论 语言是人类交流信息的基本手段，在人们日益扩大的交流中占据着重要地位。在如今高度发达的信息社会中用数字化的方法进行语音的传送、储存识别、合成、增强等是整个数字化通信网中最重要、最基本的组成部分之一随着信息科学技术的飞速发展，语音信号处理的研究也日益显示出它的要性，并取得了重大进展。大体上说，语音信号处理技术可以分为以下四个面:即语音编码，语音合成、说话人识别和语音识别等。语音压缩编码是压语音信号便于传输通信和保密;语音合成系统是模仿和代替人口的发音功能语音识别系统则是模仿或代替人耳的听觉功能，说话人识别系统属于生物识技术的一种，是一项根据语音波形中反映说话人生理和行为特征的语音参数识别说话人身份的技术。与语音识别不同的是，说话人识别利用的是语音信中的说话人信息，而不考虑语音中的字词意思，它强调一说话人的个性;而音识别的目的是识别出语音信号中的言语内容，并不考虑说话人是谁，它强共性。随着现代数字通讯、多媒体系统、信息高速公路等技术的应用和发展己经越来越深入地影响并改变着我们每个人地生活和工作方式，这同时也对音信号处理的研究工作提出了更高的要求，它在各方面的进展也令人瞩目。 1．语音识别概述 语音识别是试图使机器能“听懂”人类语音的技术。语音识别的作用是将语音转换成等价的书面信息，也就是让计算机听懂人说话。作为一门交叉学科，语音识别又是以语音为研究对象，是语音信号处理的一个重要研究方向，是模式识别的一个分支，涉及到计算机、信号处理、生理学、语言学、神经心理学、人工智能等诸多领域，甚至还涉及到人的体态语言(如人在说话时的表情、手势等行为动作可帮助对方理解)，其最终目标是实现人与机器进行自然语言通信 1.1国外研究历史及现状 语音识别的研究工作可以追溯到20世纪50年代。1952年AT&T贝尔实验室的Audry系统，是第一个可以识别十个英文数字的语音识别系统。20世纪60年代末、70年代初出现了语音识别方面的几种基本思想，其中的重要成果是提出了
浅谈语音识别技术的应用和发展
浅谈语音识别技术的应用和发展 摘要语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的技术,其最终目标是实现人与机器进行自然语言通信。语音作为一个交叉学科,具有深远的研究价值,近50年的研究发展,语音识别技术已经有了极大的发展。本文介绍了语音识别技术的基本原理和应用,并且对语音识别技术的发展趋势进行了展望。 关键词语音识别;应用;发展 0 引言 语音是人类互相之间进行交流时使用最多、最自然、最基本、最重要的信息载体。在高度信息化的今天,语音处理的一系列技术及其应用已经成为信息社会不可缺少的组成部分。语音的产生是一个复杂的过程,包括心理和生理等方面的一系列因素。当人们需要通过语音表达某种信息时,首先是这种信息以某种抽象的形式表现在说话人的大脑里,然后转换为一组神经信号,这些神经信号作用于发声器官,从而产生携带信息的语音信号。 1 语音识别的研究历史及现状 在国外语音识别的研究工作可以追溯到上世纪50年代。1952年AT&T贝尔实验室的Audry系统是第一个可以识别十个英文数字的语音识别系统。 上世纪60年代末70年代初出现了语音识别方面几种基本思想,其中重要成果是提出了信号线性预测编码(LPC)技术和动态时间规整(DTW)技术,有效的解决了语音信号特征提取和不等长语音匹配问题,同时,还提出了矢量量化(VQ)和隐马尔可夫模型(HMM)理论。 上世纪80年代语音识别研究进一步走向深入,其显著特征是隐马尔可夫模型(HMM)和人工神经网络(ANN)在语音识别中的成功应用。上世纪90年代,在计算机技术、电信应用等领域飞速发展的带动下,迫切的要求语音识别系统从实验室走向实际应用。具代表性的是IBM的Via V oice和Dragon公司的Dragon Dictate 系统,这些语音识别系统具有说话人自适应能力,新用户不需要对全部词汇进行训练便可在使用中不断提高识别率[1]。
(完整版)基于单片机的语音识别系统好毕业设计论文
基于单片机的语音识别系统
摘要 近几年来，智能化和自动化技术在玩具制造领域中越来越被关注。本文介绍一种智能化小车控制系统的设计——语音控制小车。语音控制小车是基于SPCE061A的代表性兴趣产品，它配合61板推出，综合应用了SPCE061A的众多资源，小车采用语音识别技术，可通过语音命令对其行驶状态进行控制。首先介绍了SPCE061A的主要性能及其引脚的功能；接着完成了电源电路、复位电路、键盘电路、音频输入电路，音频输出电路和无线控制电路等硬件功能模块的设计。软件设计模块能实现智能小车的前进、后退、转向、停止、避障、表演动作以及循线等功能。测试表明，在环境背景噪音不太大，控制者的发音清晰的前提下，语音控制小车的语音识别系统能对特定的语音指令做出智能反应，做出预想中的有限的动作 关键词：spec061a 语音识别驱动电路声控小车智能反应
Abstract In recent years, Intelligent and automation technology in the toy manufacture paid more and more attention.Introduce an intelligent vehicle control system design. SPCE061A program the system to single-chip, based on implementation of the car's voice control, This paper introduces the and implementation. The SPCE061A's main characters and pin function are introduced firstly. Completed the power circuit, reset circuit, keyboard circuitry, audio input circuits, audio output circuit and control circuit of wireless of function modules. Software design module can achieve smart car forward, backward, turn, stop, obstacle avoidance, performing actions, as well as on-line functions. Test showed that the background noise in the environment is not too great, control persons under the premise of clear pronunciation, voice control car speech recognition systems for specific voice commands to make intelligent reaction, limited to the desired action. Keywords: spec061a 、voice recogniton、Driving circuit、Voice control dolly、intelirent response