基于HMM和ANN混合模型的語音識別技術的研究.pdf

1、近年來，在非特定人的連續(xù)詞語音識別技術方面取得了很大進步，人工智能和機器學習已經成為一個非常熱門的研究領域。語音識別雖然在理論上的研究已經取得了比較大的進展，但是在實際應用中仍然有很多難點。其中主要包括：第一，在實際應用開發(fā)過程中，語音訓練樣本數量往往比較有限，這將導致模型的參數訓練不夠充分，從而影響語音識別率。第二，由于環(huán)境中往往存在各種噪聲，而噪聲會對識別結果造成比較大的影響。本文針對以上難點提出了相應的解決方案。針對第一個難點引入

2、了子空間高斯混合模型(SGMM)，針對第二個難點引入了隱馬爾可夫(HMM)和人工神經網絡(ANN)的混合模型。論文的主要研究內容包括如下：
　　(1)論文介紹了語音識別的基本技術原理，主要包括預加重、加窗分幀和端點檢測。針對傳統(tǒng)雙門限端點檢測算法在噪聲環(huán)境下檢測的不足，本文提出了改進的端點檢測算法，端點檢測的準確率得到了約7％的提高。
　　(2)論文介紹了特征提取中的線性預測系數(LPC)、線性預測倒譜系數(LPCC)和梅爾

3、頻率倒譜系數(MFCC)。對LPCC和MFCC做了對比分析，選擇了更符合人耳聽覺特性的MFCC作為語音識別的特征提取參數。
　　(3)在語音識別的實際應用中，針對語音訓練樣本數據比較有限導致模型參數訓練不夠充分的情況，本文引入了SGMM模型，并對HMM+SGMM模型的原理進行了詳細的介紹和分析。
　　(4)論文首先針對不同數據量的訓練樣本對HMM模型和 HMM+SGMM模型分別進行了測試，然后對HMM+SGMM模型在噪聲環(huán)境

4、下進行了測試。實驗結果表明：在語音訓練樣本有限的情況下，引入子空間高斯混合模型是一種有效的模型優(yōu)化手段；在噪聲環(huán)境下HMM+SGMM模型仍然具有較好的識別效果；改進的端點檢測算法對HMM+SGMM模型仍然適用。
　　(5)針對HMM通常只在無噪聲語音環(huán)境下具有比較好的識別效果，噪聲環(huán)境下的語音識別率卻較低。論文引入了HMM+ANN混合模型，并對HMM和HMM+ANN模型在信噪比為5-35dB的環(huán)境下做了實驗測試，結果表明HMM+A