孤立词语音识别程序文件

1、信息处理仿真实验 语音处理部分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。实验容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。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Mel尺度

2、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：图3.1孤立词语音识别系统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

3、的数值比较小，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)口 Mel尺度倒谱参数(MFCC祥。这

4、里提取语音信号的 Mel尺度 倒谱参数(MFCC)步骤如下：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Xw(n) y(n) w(n)FFTN 1j2 nk/NXw(k)Xw(n)en 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N 12S(m) lnXw(k) Hm(k) 0 m Mk 0离散余弦变换(DCT得到MFCCMC(n) S(m)cos n(m 0.5) / M n 1,2,., p m 1通常协方差矩阵一般取对角阵，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

5、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( u / 12) 1 u 12 w = 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。DTW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、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

6、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

7、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 条通过此网络中若干格点的路径， 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d (i, 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。 D(N， M )即为最佳 匹配路径所对应的匹配距离。无论在训练和建立模板阶段还是在识别阶段，都先采用

8、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=R(1), R (2),，R (m),，R (M), 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，R (m)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=T (1), T，T (n),， T( N) ， 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， T( n ) 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 M

9、FCC系数、相同的帧长、相同的窗函 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， dT( n) ， R( m) 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

10、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识别结果： TOC o 1-5 h z 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d

11、ist 的数据：dist = 1.0e+004 *2.31214.77227.22964.62766.82742.85809.49807.19587.25066.66242.40805.37983.97504.71984.77173.6102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达到难以接受的程度，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

12、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

13、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 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。由于要找出最佳匹配点，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