摘要：隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展和信息技術(shù)的不斷進(jìn)步，各類智能機(jī)器也逐步進(jìn)入到人們的生活中。語(yǔ)音識(shí)別是一種前景廣闊、社會(huì)效益廣泛、經(jīng)濟(jì)效益明顯的技術(shù)，在快速發(fā)展的同時(shí)也不可避免地產(chǎn)生了一些問(wèn)題。本文主要針對(duì)基于HMM和神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別系統(tǒng)進(jìn)行了細(xì)致的分析，期待能對(duì)我國(guó)語(yǔ)音識(shí)別系統(tǒng)的研究和實(shí)踐提供有效的借鑒和參考。

關(guān)鍵詞：語(yǔ)音識(shí)別；神經(jīng)網(wǎng)絡(luò)；隱馬爾可夫

中圖分類號(hào)：TN912.34 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9599 （2012） 24-0110-02

語(yǔ)音識(shí)別簡(jiǎn)單來(lái)說(shuō)，就是讓機(jī)器聽(tīng)懂人類語(yǔ)言表達(dá)的意思。在人工智能的研究領(lǐng)域里，語(yǔ)音識(shí)別技術(shù)更是人機(jī)實(shí)現(xiàn)對(duì)話的的有效媒介。現(xiàn)今的語(yǔ)音識(shí)別技術(shù)主在語(yǔ)音撥號(hào)、語(yǔ)音控制及語(yǔ)音導(dǎo)航等方面有著普遍的應(yīng)用。

1 基于HMM的語(yǔ)音識(shí)別研究

1.1 隱馬爾可夫模型定義

HMM就是Hidden Markov Model，即隱馬爾可夫模型。HMM是統(tǒng)計(jì)分析模型的中的一馬爾可夫鏈的一種，隱馬爾可夫模型和傳統(tǒng)的馬爾可夫模型相比，最明顯的不同是無(wú)法直接觀察到它的狀態(tài)。隨著計(jì)算機(jī)技術(shù)的時(shí)步，現(xiàn)今的隱馬爾可夫模型的應(yīng)用除了語(yǔ)音識(shí)別研究領(lǐng)域外，在機(jī)器翻譯、生物學(xué)及基因組學(xué)等相關(guān)領(lǐng)域也均有應(yīng)用。

1.2 基于隱馬爾可夫模型的語(yǔ)音識(shí)別

在開(kāi)展基于HMM的語(yǔ)音識(shí)別系統(tǒng)研究之前，要先解決HMM模型的兩個(gè)基本問(wèn)題。

（1）隱馬爾可夫模型型的兩個(gè)基本問(wèn)題

在 HMM 模型 解決實(shí)際遇到的應(yīng)用問(wèn)題中，其中模型識(shí)別、狀態(tài)轉(zhuǎn)移有模型訓(xùn)練等兩個(gè)基本問(wèn)題一定要先行解決：

第一，模型識(shí)別問(wèn)題。觀察序列 和模型 屬于已知，應(yīng)該怎樣計(jì)算由這個(gè)模型產(chǎn)生這個(gè)觀察序列的概率 ？這個(gè)問(wèn)題的根本就是必須選取合適的方法從多個(gè)模型中挑出和觀察序列最為匹配的模型，針對(duì)該問(wèn)題，可有用“前向”算法解決。

第二，狀態(tài)轉(zhuǎn)移問(wèn)題觀察序列 和模型 屬于已知，怎樣選出一個(gè)符合要求的狀態(tài)序列，使之地產(chǎn)生 ，即選取合適的方法選出最佳的狀態(tài)序列 ？這個(gè)問(wèn)題的根本就是估計(jì)出模型出現(xiàn)觀察序列時(shí)最可能的路徑?，F(xiàn)在用，解決Viterbi 算法解決此問(wèn)題。

（2）解決HMM模型問(wèn)題的方案

問(wèn)題 1：前向算法的具體計(jì)算過(guò)程如下：

初始化：

遞歸：

終結(jié)：

其中， 為從狀態(tài) 到 的概率， 為從狀態(tài) 到 轉(zhuǎn)移時(shí)輸出 的概率。

問(wèn)題2：Viterbi 算法，按照Viterbi 算法可以得到最佳準(zhǔn)則，則Viterbi 算法的計(jì)算過(guò)程如下：初始化：

遞歸：

終止：

最佳路徑為：

2 基于神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別

神經(jīng)網(wǎng)絡(luò)是模擬人類腦部結(jié)構(gòu)及腦部功能的信息數(shù)據(jù)處理系統(tǒng)，它由無(wú)數(shù)的神經(jīng)元節(jié)點(diǎn)相互根據(jù)特定方式彼此聯(lián)結(jié)，形成網(wǎng)絡(luò)。語(yǔ)音識(shí)別應(yīng)用神經(jīng)網(wǎng)絡(luò)是個(gè)連續(xù)的過(guò)程，這個(gè)過(guò)程主要包括有語(yǔ)音輸入、預(yù)處理、語(yǔ)音特征提取、時(shí)間規(guī)整網(wǎng)絡(luò)及神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練分類和網(wǎng)絡(luò)識(shí)別后，最終給出識(shí)別結(jié)果。語(yǔ)音信號(hào)由預(yù)處理及特征提取處理之后，緊接著是由時(shí)間規(guī)整網(wǎng)絡(luò)對(duì)其進(jìn)行處理，把語(yǔ)音信號(hào)和數(shù)據(jù)提取至神經(jīng)網(wǎng)絡(luò)進(jìn)行輸入需要的特征矢量具有一致的維數(shù)。由于語(yǔ)音識(shí)別在實(shí)際應(yīng)用時(shí)，語(yǔ)音信號(hào)會(huì)因?yàn)槿说陌l(fā)音速度、聲音高低及強(qiáng)度的不同而有所差別，即使同一個(gè)人的發(fā)音也不可能在任何時(shí)間內(nèi)都相同。所以基于神經(jīng)網(wǎng)絡(luò)模型的語(yǔ)音識(shí)別，因?yàn)樯窠?jīng)網(wǎng)絡(luò)對(duì)應(yīng)的輸入層一定要輸入矢量的維數(shù)一致，因此必須借助于時(shí)間規(guī)整網(wǎng)絡(luò)，把規(guī)整與合并不同的時(shí)間內(nèi)，不同的聲音產(chǎn)生的不同強(qiáng)度和語(yǔ)音信號(hào)的特征矢量，以便最后提取到的語(yǔ)音特征矢量序列與神經(jīng)網(wǎng)絡(luò)輸入層要求的矢量維數(shù)一致。

3 基于HMM模型和神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別實(shí)驗(yàn)研究

（下轉(zhuǎn)第127頁(yè)）