如发现有乱码，请点击下面链接浏览原文
正文摘录:

《现代电子技术》2006年第16期总第231期》嵌入式与单片机q匹配分数以获得识别结果。通过大量的语音，就能够获得一个稳健的统计模型，能够适应实际语音中的各种突发情况。因此，HMM算法具有良好的识别性能和抗噪性能。基于HMM技术的识别系统可用于非特定人，不需要用户事先训练。他的缺点在于统计模型的建立需要依赖一个较大的语音库。这在实际工作中占有很大的工作量。且模型所需要的存储量和匹配计算(包括特征矢量的输出概率计算)的运算量相对较大，通常需要具有一定容量SRAM的DSP才能完成。(3)人工神经网络ANN(ArtificialNeuralNetwork)。ANN在语音识别领域的应用是在20世纪80年代中后期发展起来的。其思想是用大量简单的处理单元并行连接构成一种信息处理系统。这种系统可以进行自我更新，且有高度的并行处理及容错能力，因而在认知任务中非常吸引人。但是ANN相对于模式匹配而言，在反映语音的动态特性上存在重大缺陷。单独使用ANN的系统识别性能不高，所以目前ANN通常在多阶段识别中与HMM算法配合使用。3基于HMM的语音识别系统下面详细介绍基于HMM的语音识别系统。首先在UniSpeec、h芯片上实现基于DHMM的识别系统，然后又在同一平台上实现基于CHMM的识别系统。3.1前端处理语音的前端处理主要包括对语音的采样、A／D变换、分帧、特片提取和端点检测。模拟语音信号的数字化由A／D变换器实现。ADC集成在片内，他的采样频率固定为8kHz。特征提取基于语音帧，即将语音信号分为有重叠的若干帧，对每一帧提取一次语音特片。由于语音特征的短时平稳性，帧长一般选取20ms左右。在分帧时，前一帧和后一帧的一部分是重叠的，用来体现相邻两帧数据之间的相关性，通常帧移为帧长的1／2。对于本片上系统，为了方便做FFT，采用的帧长为256点(32ms)。帧移为128点(16ms)。特征的选择需要综合考虑存储量的限制和识别性能的要求。在DHMM系统中，使用24维特征矢量，包括12维MF℃C(MelFrequencyCepsirumCoefficient)和12维一阶差分MFCC；在CHMM系统中，在DHMM系统的基础上增加了归一化能量、一阶差分能量和二阶差分能量3维特征，构成27维特征矢量。对MFCC和能量分别使用了倒谱均值减CMS(CepstrumMeanSubtraction)和能量归一化ENM(EneI’gyNm‘ma“IZ8tion)的处理方法提高特征的稳健性。3.2声学模型在HMM模型中，首先定义了一系列有限的状态5。，…，S。，系统在每一个离散时刻n只能处在这些状态当中的某一个x。。在时间起点”一O时刻，系统依初始概率矢量，r处在某一个状态中，即：瓦一P{X。，一S，}，i-_1，…，N以后的每一个时刻”，系统所处的状态X。仅与前一时刻系统的状态有关，并且依转移概率矩阵A跳转，即：A。一P{X。一S，IX。.一S，)，N”≥1，i，j一1，…，N且满足＞：A。一1j系统在任何时刻“所处的状态X。隐藏在系统内部，并不为外界所见，外界只能得到系统在该状态下提供的一个尺。空间随机观察矢量0。。0，的分布B称为输出概率矩阵，只取决于X。所处状态：P。一S，{0，，}一P{ofS，}因为该系统的状态不为外界所见，因此称之为“隐含马尔科夫模型”，简称HMM。在识别中使用的随机观察矢量就是从信号中提取的特征矢量。按照随机矢量Q。的概率分布形时，其概率密度函数一般使用混合高斯分布拟合。^fp{x。一s，，0，一y}一芝：c。×N(∥，《，)～I其中，M为使用的混合高斯分布的阶数；(’。为各阶高斯分布的加权系数。此时的HMM模型为连续HMM模型(ContinuousctensityHMM)，简称CHMM模型。在本识别系统中，采用整词模型，每个词条7个状态同，包括首尾各一个静音状态；每个状态使用7阶混合高斯分布拟合。cHMM识别流程如图1所示。图1CHMM识别流程由于CHMM模型的复杂性.也可以假定n的分布是离散的。通常采用分裂式K—Mean算法得到码本，然后对提取的特征矢量根据码本做一次矢量l且化VQ(Vec：torQuantl’zat。ton)。这样特征矢量的概率分布上就简化为一个离散的概率分布矩阵，此时的HMM模型称为离散HMM模型(DiscretedensityHMM)，简称DHMM模型。本DHMM识别系统使用的码本大小为128。DHMM识别流程如图2所示。DHMM虽然增加_r矢量量化这一步骤，但是由于简化了模型的复杂度，从而减少了占用计算最最大的匹配计算。当然，这是以牺牲一定的识别性能为代价。在所开发的硬件平台上完成_r基于DHMM和65