論文標準WORD格式排版 59頁

摘要
語音識別作為一個交叉學科，具有深遠的研究價值。語音識別和語音合成技術已經成為現(xiàn)代技術發(fā)展的一個標志，也是現(xiàn)代計算機技術研究和發(fā)展的一個重要領域。雖然語音識別技術已經取得了一些成就，也有部分產品面世，但是，大多數(shù)語音識別系統(tǒng)仍局限于實驗室，遠沒有達到實用化要求。制約實用化的根本原因可以歸為兩類，識別精度和系統(tǒng)復雜度。
HMM是一種用參數(shù)表示的用于描述隨機過程統(tǒng)計特性的概率模型，它是由馬爾可夫鏈演變來的，所以它是基于參數(shù)模型的統(tǒng)計識別方法。它是一個雙重隨機過程——具有一定狀態(tài)數(shù)的隱馬爾可夫鏈和顯示隨機函數(shù)集，每個函數(shù)都與鏈中一個狀態(tài)相關聯(lián)。“隱”的過程通過顯示過程所產生的觀察符號序列來表示，這就是隱馬爾可夫模型。
本文主要介紹了語音識別的預處理，隱馬爾可夫模型（Hidden Markov Models，HMM）和語音識別的基礎理論和發(fā)展方向。對數(shù)字0～9的識別進行了詳細的Matlab語言實現(xiàn)。

關鍵詞：HMM；文本相關；語音識別

摘 要 I
ABSTRACT II
第一章 緒論 1
1.1 背景、目的和意義 1
1.2 發(fā)展歷史和國內外現(xiàn)狀 1
1.3 語音識別系統(tǒng)概述 3
1.3.1語音識別系統(tǒng)構成 3
1.3.2語音識別的分類 4
1.3.3 識別方法介紹 5
第二章 語音信號的預處理及特征提取 8
2.1 語音信號的產生模型 9
2.2 語音信號的數(shù)字化和預處理 9
2.2.1 語音采樣 10
2.2.2 預加重…………………………………………………………………..10
2.2.3 語音信號分幀加窗 11
2.3 端點檢測 13
2.3.1 短時能量 13
2.3.2 短時平均過零率 14
2.3.3 端點檢測——“雙門限”算法 15
2.4 語音信號特征參數(shù)的提取 16
2.4.1線性預測倒譜系數(shù)LPCC 16
2.4.2 Mel倒譜系數(shù)MFCC 17
2.4.3 LPCC系數(shù)和MFCC系數(shù)的比較………………………………………18
第三章 隱馬爾可夫模型(HMM) 20
3.1 隱馬爾可夫模型 20
3.1.1 隱馬爾可夫(HMM)基本思想 20
3.1.2 語音識別中的HMM 24
3.1.3 隱馬爾可夫的三個基本問題[10] 24
3.1.4 HMM的基本算法 25
3.2 HMM模型的一些問題 28
3.2.1 HMM溢出問題的解決方法 28
3.2.2 參數(shù)的初始化問題 29
3.2.3提高HMM描述語音動態(tài)特性的能力 31
3.2.4直接利用狀態(tài)持續(xù)時間分布概率的HMM系統(tǒng) 31
第四章 基于文本相關的語音識別 33
4.1 引言 33
4.2 HMM模型的語音實現(xiàn)方案 33
4.2.1初始模型參數(shù)設定 34
4.2.2 HMM模型狀態(tài)分布B的估計 34
4.2.3 多樣本訓練 35
4.2.4 識別過程 36
4.3 仿真過程及系統(tǒng)評估 37
4.3.1 語音數(shù)據的采集及數(shù)據庫的建立 37
4.3.2 仿真實驗——HMM用于語音識別 38
4.3.3 Matlab編程實現(xiàn) 40
4.4系統(tǒng)仿真中的若干問題 43
總結展望 44
參考文獻 45
附 錄 46
致 謝 54