语音识别文献综述Word文档下载推荐.docx

语音识别文献综述Word文档下载推荐.docx

《语音识别文献综述Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《语音识别文献综述Word文档下载推荐.docx（5页珍藏版）》请在冰豆网上搜索。

与此同时，苏联的Vmtsyuk提出了采用动态规划方法解决两个语音的时闻对准问题，这是动态时间弯折算法DTW（dymmictimewarping）的基础，也是其连续词识别算法的初级版.

20世纪70年代，人工智能技术走入语音识别的研究中来.人们对语音识别的研究也取得了突破性进展.线性预测编码技术也被扩展应用到语音识别中，DTw也基本成熟。

20世纪80年代，语音识别研究的一个重要进展，就是识别算法从模式匹配技术转向基于统计模型的技术，更多地追求从整体统计的角度来建立最佳的语音识别系统。

隐马尔可夫模型（hiddenMarkovmodel,删）技术就是其中一个典型技术。

删的研究使大词汇量连续语音识别系统的开发成为可能。

20世纪90年代，人工神经网络（artificialneuralnetwork,ANN）也被应用到语音识别的研究中，并使相应的研究工作在模型的细化、参数的提取和优化以及系统的自适应技术等方面取得了一些关键性的进展，此时，语音识别技术进一步成熟，并走向实用。

许多发达国家，如美国、日本、韩国，已经IBM、Microsoft>

Apple、AT&

T、Nrr等著名公司都为语音识别系统的实用化开发研究投以巨资。

当今，基于HMM和ANN相结合的方法得到了广泛的重视。

而一些模式识别、机器学习方面的新技术也被应用到语音识别过程中，如支持向量机（supportvectormachine,SVM）技术、进化算法（evolutionarycomputation）技术等。

1.2.2国内语音识别的发展状况

20世纪50年代我国就有人尝试用电子管电路进行元音识别，到70年代才由中科院声学所开始进行计算机语音识别的研究.80年代开始，很多学者和单位参与到语音识别的研究中来，也开展了从最初的特定人、小词汇量孤立词识别，到非特定人、大词汇量连续语音识别的研究工作.80年代末，以汉语全音节识别作为主攻方向的研究已经取得了相当大的进展，一些汉语语音输入系统已经向实用化迈进。

90年代j四达技术开发中心和哈尔滨工业大学合作推出了具有自然语言理解能力的新产品.在国家“863”计划的支持下，清华大学和中科院自动化所等单位在汉语听写机原理样机的研制方面开展了卓有成效的研究.经过60多年的发展，语音识别技术已经得到了很大发展，对于语音识别的研究也达到了相当高的水平，并在实验室环境下能达到很好的识别效果。

但是，在实际应用中，噪声以及各种因素的影响，使语音识别系统的性能大幅度下降，很难达到让人满意的效果。

因此，对噪声环境下的语音识别的研究有着异常重要的理论价值和现实意义.

1.3语音识别的分类

语音识别存在不同的分类方法：

（1）按词汇量大小分。

每个语音识别系统都有一个词汇表，系统能识别词汇表中所包含的词条。

通常按词汇量可分为小词汇量、中词汇量和大词汇量，一般小词汇量包括10—100个词；

中词汇量大约包括100—500个词条；

大词汇量则至少包含500个以上的词条。

（2）按发音方式分。

语音识别可以分为孤立词识别、连续词识别、连续语音识别以及关键词检出等。

孤立词识别，是机器只识别一个个孤立的音节、词或者短语等；

连续语音识别，是机器识别连续自然的书面朗读形式的语音；

在连续词识别中，发音方式介于孤立词和连续语音之间，它表面上看起来象连续语音发音,但能明显感受到音与音之间的停顿；

关键词检出，通常用于说话人以类似自由交谈方式的发音，在这种发音方式下，只需要进行其中的关键词识别.

（3）按说话人分.可分为特定说话人和非特定说话人两种。

前者只能识别固定某个人的声音，而后者是机器能识别出任意人的发音。

（4）从语音识别的方法分.有模式匹配法、随机模型法和概率语法分析法。

模式匹配法是将测试语音与参考模板的参数一一进行比较和匹配，判决的依据是失真测度最小准则；

随机模型法是一种使用隐马尔可夫模型来对似然函数进行估计和判决，从而得到相应的识别结果的方法；

概率语法分析法适用于大范围的连续语音识别，它可以利用连续语音中的语法约束知识来对似然函数进行估计和判决.

1.4噪声对语音识别的影响

随着科技的发展，人们对语音识别的研究越来越深入，在理论上达到了很成熟的阶段，也开始步入实用化阶段。

以mM的ViaVoice为代表，其对连续语的识别率可以达到95%以上.但是所有识别系统对噪声都是极为敏感的，在噪声环境下，识别性能会大幅度下降州.例如，在一个典型的孤立词识别系统中，用纯净语音训练，识别效果会达到100%,但在以100公里每小时的速度行驶的小车上，其识别率将下降70%左右；

一个用纯净语音训练的识别系统，误识率不到1%,但是在自助餐厅里，其误识率竟然上升近50%：

一个与说话者无关的语音识别系统，在实验室环境下其误识率不到1%,但是如果用来识别一个通过长距离电话线并且信噪比为15dB的语音，其错误率将高达44%。

在噪声环境下，识别系统的识别率大幅度下降，是现在语音识别产品无法广泛走入实用的主要障碍。

在噪声环境下语音识别系统的识别率大幅度下降的根本原因就是录入环境和识别环境的不匹配。

在实验室环境下，训练环境相对安静，基本上是对纯净语音迸行训练，模板库的特征矢量。

是通过提取纯净语音的特征参数得到的。

但是在实际应用中，噪声是不可避免的，同一语音在噪声的影响下特征参数发生了变化，从而影响了识别语音和模板库中的语音的相似度，导致识别系统的识别率大幅度下降。

为解决噪声环境下，识别语音的特征参数和模叛库中的特征不匹配的问题我们必须想办法消除噪声对语音特征参数的影响，根据语音识别过程可知，有以下三种方法：

（1）假定语音模板和背景噪声无关，即无论是清晰语音还是带噪语音，都用同一套模板来识别.在这种情况下，重点在识别阶段，从带噪语音中提取出抗噪的特征参数或者采取抗噪声的失真测度.

（2）在语音的识别阶段，语音识别系统加一个前端处理，从带噪语音中提取出纯净语音，然后再提取语音的特征参数.这种方法被称为语音增强。

（3）在语音识别阶段，根据识别现场的环境噪声对语音模板进行变换，使之接近根据现场带噪语音训练而成的语音模板.这种方法称为语音模板的噪声补偿.无论使用哪种方法消除噪声，我们首先要了解噪声。

根据噪声对语音频谱的干扰方式不同可以把噪声分为加性噪声和乘性噪声两类.

⑴如性噪声

噪声和语音信号是相互独立的，而所采集到的信号是真实的语音信号和噪声的和，这种噪声就是所谓的加性噪声。

语音信号在实际环境中受到的背景噪声、办公室里的打印机的工作声、计算机中的磁盘驱动器和风扇等设备的声音以及周围说话人的声首等都是加性噪声.

（2）乘性噪声

乘性噪声也叫卷积噪声，是指噪声和语音在频谱是相乘的关系，在时域上则是卷积关系的噪声。

乘性噪声可以转换为加性噪声.由于实际环境中的背景噪声多数是加性噪声，因此致使系统识别率的大幅度下降的“元凶”就是加性噪音。

我们在后面讲到的去噪，也是指去除加性噪声。

结论

本文在深入学习和研究语音识别的基本理论和各种去噪技术的基础上，结合几种去噪技术，对带噪语音信号进行多次去噪处理，实现了低信噪比环境下的语音识别系统，并通过实验证明了该系统的有效性，相对于已往的识别系统，该系统有较好的识别效果。

本文的主要研究和实验如下：

1.本文深入学习和研究了语音识别的基本理论，并对典型语音识别系统的各个模块进行分析和讨论，包括端点检测、特征提取和模式识别等。

2.在深入研究语音增强的基础上，提出了在对带嗓信号进行端点检测前先用基于小波变换的多尺度多阈值的语音增强方法，对语音信号进行增强，以消除噪声的影响。

3.在学习和研究了倒谱归一化方法后，提出对经过语音增强后的信号进行倒谱归一化处理，以消除由于语音增强引起的卷积噪声，实现对带噪信号的第二次去噪。

4.讨论了基于模型补偿的去噪技术，包括HMM分解和PMC模型.由于用PMC模型识别纯净语音时系统的识别率会下降，本文提出了在用PMC模型进行语音识别之前，先对信号进行信噪比归一化处理.

5.通过有机结合前面介绍的各种去噪方法，创建了一个噪声环境下语音识别系统，并详细介绍了系统的主要组成部分，用matlab进行了仿真实验.通过对比几种方法的识别率，证明了本系统有很好的识别效果。

本文通过实验证明：

在低信噪比环境下，通过有效结合几种去噪方法可以提高系统的识别率，但是仍有很多不足，以后的研究工作应从以下几个方面进行：

1.在使用小波变换进行语言增强时，对于阈值的选取能否找到更好的方法以更有效的去除高频段的噪声信号；

在小波函数的选择上，能否根据语言信号的特点找到最优的小波函数。

2.在特征参数的提取上，能否找到有更好鲁棒性的特征参数。

3.对PMC模型中的噪声的训练上，。

能否提取出反映噪声本质信息的特征参数,以适应噪声的随机性，使PMC模型能识别多数噪声环境下的语音。

4.本文只是在实验室环境下仿真了几种噪声，证明了系统的有效性，但是这几种噪声并不能代表实际环境下的各种噪声，所以怎样将算法、技术和硬件相结合,创建出能在实际环境下有很好识别率的语音识别系统还有待研究.

参考文献

【1】杨行峻，迟惠生.语音信号数字处理[M].北京：

电子工业出版社，1998

【2】Jean-ClaudeJunqua,Jean-PaulHaton.Robustnessinautomaticspeechrecognition-FundamentalsandApplication.KluwerAcademicPublishers,!

996.

【3】P・Lockwood,J.Boudy.Experiments,forrobustspeechrecognitionincars.

SpeechCommunication,1993,11

（2）：

215•228

【4】徐金甫基于特征提取的抗噪声语音识别研究华南理工大学工学博士学位论文2000年

【5】S・Das,R.Bakis,A.Nadas,M.Pichney.InfluenceofbackgroundnoiseandmicrophoneontheperformanceofthemMTANGORAspeechrecognitionsystem.Proc.IEEEInternalConf.AcoustSpeechSignalProcing,1993,271——74

[6]J.Han,M.Han,G.B.Park.Relativemel-frequencycepsU-alcoefficientscompensationforrobusttelephonesp