孤立词语音识别程序

《孤立词语音识别程序》由会员分享，可在线阅读，更多相关《孤立词语音识别程序（6页珍藏版）》请在装配图网上搜索。

1、信息处理仿真实验语音处理部分一、实验目的按所学相关语音处理的知识，自己设计一个孤立词语音识别程序，分析 所设计系统的特性。熟悉不同模块间如何进行有效的组合，以及模块内的设 计，重点掌握特征参数的提取和模式识别方法，并对不同的特征参数提取方 法和模式匹配方法有大概的了解，知道其不同的优缺点。二、实验内容1、熟悉预处理、特征参数提取、模式匹配三个模块的原理，并设计这三 个模块的matlab子程序。2、设计主程序，将上述3个模块合理组合构成一个系统，训练模板并测试。三、实验原理及设计步骤1、孤立词语音识别系统：先用端点检测将语音中有用的语音部分提取出来 即将头部和尾部的静音部分除掉然后提取语音信号的

2、Mel尺度倒谱参 数(MFCC)，进行动态归整(DTW算法)后与模板库里面的标准语音作比较，具 体流程如下：2、各模块解析预处理：包括反混叠失真滤波器、预加重器、端点检测和噪声滤波器。 这里将预加重器和噪声滤波器放在下一个模块里，所以预处理主要进行端点 检测以捕捉到数据中的语音信息。端点检测采用双门限法来检测端点。同时，利用过零率检测清音，用短 时能量检测浊音，两者配合。整个语音信号的端点检测可以分为四段：静音、 过渡段、语音段、结束。程序中使用一个变量status来表示当前所处的状态。在静音段，如果能量或过零率超越了低门限，就应该开始标记起始点，进 入过渡段。在过渡段中，由于参数的数值比较小

3、，不能确信是否处于真正的语音段, 因此只要两个参数的数值都回落到低门限以下，就将当前状态恢复到静音状态。而如果在过渡段中两个参数中任意一个超过了高门限，就可以确信进入语 音段了。一些突发性的噪声可以引发短时能量或过零率的数值很高，但是往往不能维 持足够长的时间，这些可以通过设定最短时间门限来判别。当前状态处于语 音段时，如果两个参数的数值降低到低门限以下，而且总的计时长度小于最 短时间门限，则认为这是一段噪音，继续扫描以后的语音数据。否则就标记 好结束端点，并返回特征参数提取：常用的语音识别参数有线性预测参数(LPC),线性预测倒 谱参数(LPCC)和Mel尺度倒谱参数(MFCC)等。这里提取

4、语音信号的Mel尺度 倒谱参数(MFCC)，步骤如下：特征 参数图 3.2 特征参数提取分析：预加重y(n) = x(n)-0.97x(n - 1)加汉明窗x (n) = y(n) x w(n) w FFTX (k) =x (n)e-j2兀nk/nww n=0 这里直接采用现成的 FFT 快速算法。 对频谱进行三角滤波程序采用归一化mel滤波器组系数 计算每个滤波器的输出能量S(m) = Inf|X (k)|2 H (k) 0 m MIwmk=0 离散余弦变换(DCT)得到MFCCn = 1,2,., pC(n)=艺 S (m)cos G n(m 一 0.5)/ M )m=1通常协方差矩阵一般

5、取对角阵，三角滤波器组的对数能量输出之间存在 着很大的相关，采用 DCT 这种正交变换可以去除参数之间的相关性，从而 使后端识别模型采用对角阵具有更高的识别率 归一化倒谱提升w = 1 + 6 * sin(兀 u / 12)1 u 12w = w/max(w) 计算差分系数并合并 mfcc 参数和一阶差分 mfcc 参数 将其作为一个整体，让参数更完备。模式匹配：有矢量量化技术、DTW、HMM技术、人工神经网络技术。目前，语音识别的匹配主要应用HMM和DTW两种算法ODTW算法由于没 有一个有效地用统计方法进行训练的框架，也不容易将低层和顶层的各种知 识用到语音识别算法中，因此在解决大词汇量、

6、连续语音、非特定人语音识 别问题时较之HMM算法相形见绌。HMM是一种用参数表示的，用于描述随 机过程统计特性的概率模型。而对于孤立词识别,HMM算法和DTW算法在相 同条件下,识别效果相差不大，又由于DTW算法本身既简单又有效，但HMM 算法要复杂得多。它需要在训练阶段提供大量的语音数据,通过反复计算才能 得到参数模型，而DTW算法的训练中几乎不需要额外的计算。鉴于此,DTW更 适合本系统的要求。DTW算法原理：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。如果把测试模板的各个帧号n=1N在一个二维直角坐标 系中的横轴上标出，把参考模板的各帧号 m=1M 在纵轴上标出，通

7、过这些 表示帧号的整数坐标画出一些纵横线即可形成一个网络，网络中的每一个交 叉点n，m表示测试模式中某一帧的交汇点。DP算法可以归结为寻找一 条通过此网络中假设干格点的路径，路径通过的格点即为测试和参考模板中 进行计算的帧号。路径不是随意选择的，首先任何一种语音的发音快慢都有 可能变化，但是其各部分的先后次序不可能改变，因此所选的路径必定是从 左下角出发，在右上角结束。DTW算法可以直接按上面的描述来实现，即分配两个NXM的矩阵，分 别为积累距离矩阵D和帧匹配距离矩阵d,其中帧匹配距离矩阵di, j的 值为测试模板的第i帧与参考模板的第j帧间的距离。DN, M即为最正 确匹配路径所对应的匹配距

8、离。无论在训练和建立模板阶段还是在识别阶段，都先采用端点算法确定语 音的起点和终点。已存入模板库的各个词条称为参考模板，一个参考模板可 表示为R=R1，R2，Rm，RM，m为训练语音帧 的时序标号，m=1为起点语音帧，m=M为终点语音帧，因此M为该模板所 包含的语音帧总数，Rm为第m帧的语音特征矢量。所要识别的一个输 入词条语音称为测试模板，可表示为T=T1，T2，Tn， TN ， n 为测试语音帧的时序标号， n=1 为起点语音帧， n=N 为终点语音 帧，因此N为该模板所包含的语音帧总数，Tn为第n帧的语音特征矢量。 参考模板与测试模板采用相同形式的 MFCC 系数、相同的帧长、相同的窗函

9、 数和相同的帧移。假设测试和参考模板分别用 T 和 R 表示，为了比较它们之间的相似度， 可以计算它们之间的距离DT，R，距离越小则相似度越高。为了计算这一 失真距离，应从T和R中各个对应帧之间的距离算起。设n和m分别是T 和R中任意选择的帧号，dTn，Rm表示这两帧特征矢量之间的距离。 距离函数取决于实际采用的距离度量，在DTW算法中通常采用欧氏距离。四、实验结果及分析 首先通过训练得到词汇表中盘古;伏羲;女娲;神农各参考语音的特征 序列，直接将这些序列存储为模板。在进行识别时，将待识语音的特征序列依次 与各参考语音特征序列进行 DTW 匹配，最后得到的总失真度最小且小于识别阈 值的就认为是

10、识别结果：正在计算参考模板的参数.ans =6824ans =7324ans = 6524ans = 6724正在计算测试模板的参数.ans =5024ans =6724ans =5324ans =5024正在进行模板匹配.正在计算匹配结果.测试模板1 的识别结果为：盘古测试模板2 的识别结果为：伏羲测试模板3 的识别结果为：女娲测试模板4 的识别结果为：神农分析：从输出的结果看，识别得到了正确的结果，这是由于采用了预加重、 归一化导谱提升、加入差分系数。为了进一步验证识别的正确性，看一下匹 配距离距阵 dist 的数据：dist = 1.0e+004 *2.31214.77227.22964

11、.62766.82742.85809.49807.19587.25066.66242.40805.37983.97504.71984.77173.6102距离距阵的对角线上是正确匹配模板的对应分数，可见对角线上的 4 个数值都是在本行中最小的，由此验证了识别结果的正确性。但由于需要对大量路径及这些路径中的所有节点进行匹配计算，导致 计算量极大，随着词汇量的增大其识别过程甚至将到达难以接受的程度，因 此无法直接应用于大、中词汇量识别系统。五、实验体会与思考 这次实验，我所做的工作主要是设计并实现各模块的合理组合。虽然在 学习课程中已经对MATLAB有过一定的理论学习，但是要读懂MATLAB的程

12、序还需要找相关的书来看,通过这次实践，对matlab的语法与应用更加了解， 培养了我们独立分析问题和解决问题的能力。在设计过程中，我通过查阅大量有关资料，与同学交流经验和自学，并 向老师请教等方式，使自己学到了不少知识，也经历了不少艰辛，但收获同 样巨大。在整个设计中我懂得了许多东西，也培养了我独立工作的能力，树 立了对自己工作能力的信心，相信会对今后的学习工作生活有非常重要的影 响。而且大大提高了动手的能力，使我充分体会到了在创造过程中探索的艰 难和成功时的喜悦。虽然这个设计做的也不太好，但是在设计过程中所学到 的东西是这次实验的最大收获和财富，使我终身受益。要实现这个 Dtw 与 Test

13、 的算法，主要是弄懂它的帧匹配距离的由来和累 积距离的计算公式。这也是实现本系统最难得一环，经过不断的调试修改， 最终实现了算法的要求。Dtw 算法采用动态规划技术，存在一些问题：(1)运算量大。由于要找出 最正确匹配点，因此要考虑多种可能的情况虽然路径限制减少了运算量， 但运算量仍然很大，因而使识别速度减慢这在大词汇量的识别中是一个严 重缺点。(2)识别性能过分依赖于端点检测。端点检测的精度随着不同音素而 有所不同，有些音素的瑞点检测精度较低。由此影响识别率的提高。(3)没有 充分利用语音信号的时序动态信息。在检测语音信号的端点时，一般采用平均能量或平均幅度值与过零率相 乘的方法来判断。如果所取窗长度较小，显然能够比较精确地检测到语音的 端点，但会使运算量加大识别速度减慢，同时会把一些短时的脉冲噪音误认 为语音，从而产生错误的识别。如果所取窗长较大，可以加快语音处理的速 度，会跳过一些短时噪音，但是端点的检测误差增加，对 DTW 这种端点非 常敏感的算法几乎是致命的。窗长取一合适的中间值固然可以减少窗长过短 和过长的消极影响，但毋庸置疑也减弱了其积极的一面。