基于HMM和LVQ网络混合模型的语音识别方法

提出一种基于隐马尔可夫模型(HMM)和学习向量量化(LVQ)神经网络的语音识别方法.该方法先用HMM生成最佳语音状态序列,然后用函数逼近技术产生对最佳状态序列进行时闻归正,最后通过LVQ神经网络进行分类识别.理论和实验结果表明,混合模型的识别率明显高于隐马尔可夫模型的识别率.     

基于HMM模型语音识别系统中声学模型的建立

语音识别是近些年来一项高速发展的技术.让计算机识别人的语音,甚至让人和计算机进行交流是所有从事模式识别专业人的梦寐以求的理想.本文主要介绍了应用于模式识别系统中的隐马尔科夫模型的基础理论,以及在隐马尔科夫模型理论的基础上建立了一种语音识别系统.详细探讨了这种模型系统中声学模型的建立过程,最后提出了这种基于HMM模型的语音识别系统的优点和改进展望.     

基于连续HMM的孤立语音鲁棒性识别方法

对于基于连续稳马尔可夫模的语音识别系统,为了提高系统在环境噪声下的鲁棒性,本文提出了一种能有效抑制加性平稳噪声和通道卷积噪声的相对自相关序列的Ｍｅｌ倒谱参数（ＲＡＳ＿ＭＦＣＣ＋△ＲＡＳ＿ＭＦＣＣ）,进行特征参数级的去噪,明显地改善了系统的噪声鲁棒性。     

神经网络与HMM构成的混合网络在语音识别中应用的研究

隐马尔可夫模型（ＨＭＭ）技术是语音识别中应用较为成功的算法，但它的缺点影响了其精度、速度、硬件实现和推广应用。神经网络（ＮＮ）具有并行性、强的分类能力和易于硬件实现等优点。将ＮＮ与ＨＭＭ相结合构成混合网络，能克服ＨＭＭ与ＮＮ的缺点，保留双方的优点。本文详细评述了目前在语音识别中应用的由ＨＭＭ和ＮＮ构成的四种混合网络。通过对其结构、识别性能和特点的分析，可以看出ＨＭＭ和ＮＮ构成的混合网的性能明显优于     

基于HMM和PNN的混合语音识别模型

基于隐马尔可夫模型(HMM)和改进后的概率神经网络(PNN)模型提出了一种用于语音识别的混合模型,该模型首先利用HMM生成最佳语音状态序列,然后对最佳状态序列进行时间规整,最后通过PNN神经网络进行分类识别。给出了HMM参数训练及时间规整的算法。实验结果表明这种模型比HMM具有更好的识别效果。     

基于HMM的语音识别系统的Matlab仿真

隐马尔可夫模型(HMM)已成为语音识别中的主流技术,首先介绍了语音识别技术的原理和结构,然后介绍了HMM的三个基本问题及其解决方法,最后利用Matlab仿真工具设计了一个孤立词的语音识别系统,实现了数字0～9的识别.     

基于PCANN/HMM混合结构的语音识别方法

本文提出了一种基于PCANN/HMM混合结构的语音识别方法,它采用相继几帧组成的特征参数矢量作为语音识别HMM的输入,能有效地在语音识别HMM中引入帧间相关信息,同时为了改善多帧特征输入HMM的输出概率密度函数性能,在HMM的前端增加语音参数压缩的主分量分析神经网络(PCANN).通过对多讲者汉语连续语音识别实验,证实了本文提出方法的有效性.     

语音帧间相关信息对基于HMM系统识别精度的影响

本文探讨经短时信号处理后的语音信号帧间相关信息对基于隐马尔可夫模型（ＨＭＭ）的语音识别系统识虽精度的影响，鉴于ＨＭＭ的输出独立假设导致语音帧间相关信息的损失，本文提出了一种描述帧间相关信息的统计模型－马尔可夫链（ＭＣＭ）用来弥补ＨＭＭ在这方面的缺陷；经非特定人和多话者孤立字实验表明，用ＭＣＭ作为ＨＭＭ的辅助模型，可将原有ＨＭＭ系统的识别率提高约１～６个百分点。     

改进的高效动态时间规整算法语音识别系统

动态时间规整算法是结合了动态时间规整(DTW)技术和距离测度计算技术的一种非线性规整算法,在语音识别模板匹配中有重要的应用。为此提出一种改进的高效动态时间规整算法,其能有效加快搜索路径的寻找。基于Matlab实现了隐马尔科夫算法、高效动态时间规整算法和改进的高效动态时间规整算法的语音识别系统,同时进行了算法的仿真实验。实验结果表明,基于改进高效动态时间规整算法的训练速度远大于基于隐马尔可夫算法和高效动态时间规整算法的训练速度,而识别率下降很小,对于小词汇量非连续语音识别中高效动态时间规整算法的识别率为97.56%,隐马尔可夫算法的识别率为97.14%,改进高效动态时间规整算法的识别率为96.43%。     

一种新的HMM训练方法

本文是对HMM最大距离训练方法的一种改进,该方法采用了更合理的模型距离定义,能更有效地利用训练数据集中的区别信息,使有限的训练数据得到更好的应用,达到提高语音识别系统性能的目的.导出了HMM模型参数的迭代公式.基于TIMIT数据库的非连续语音及连续语音实验结果表明,改进训练方法在降低错识率上较原来的方法有明显改善.     

基于小波神经网络的嵌入式语音识别系统

以ARM和嵌入式操作系统Windows CE为平台设计了基于小波神经网络的语音识别系统。首先介绍了语音识别的基本原理、系统的硬件组成、系统的功能结构、系统的工作原理,然后叙述了小波和神经网络的理论知识及算法,最后介绍了嵌入式语音系统的软件设计。由于采用S3C2410芯片负责系统的控制和识别工作,而语音信号的特征提取和训练算法全部由SPCE061A芯片来完成,从而使得语音识别系统识别率提高,可移植性好。     

一种适于非特定人语音识别的并行隐马尔可夫模型

为了适合非特定人语音识别,提出了一种由多条并行马尔可夫链组成的并行HMM(Parallel Hidden Markov Model,PHMM),从而融合了基于分类的语音识别中为各个类别建立的模板,提高了识别性能,各条链之间允许有交叉,使得融合的多模板之间存在状态共享,同时PHMM可以在训练过程中自动完成聚类,且测试语音的输出结果来自所有类别,无需聚类分析和类别判断,这些都减少了存储量和计算量,汉语非特定人孤立数字的识别实验表明,PHMM较之传统CHMM使识别性能及噪声鲁棒性都得到了改善。     

Subspace Distribution Clustering HMM for Chinese Digit Speech Recognition

As a kind of statistical method, the technique of Hidden Markov Model （HMM） is widely used for speech recognition. In order to train the HMM to be more effective with much less amount of data, the Subspace Distribution Clustering Hidden Markov Model （SDCHMM）, derived from the Continuous Density Hidden Markov Model （CDHMM）, is introduced. With parameter tying, a new method to train SDCHMMs is described. Compared with the conventional training method, an SDCHMM recognizer trained by means of the new method achieves higher accuracy and speed. Experiment results show that the SDCHMM recognizer outperforms the CDHMM recognizer on speech recognition of Chinese digits.     

基于HMM／VQ的认人的中等词表连续语音识别

本文讨论基于隐马尔可夫模型(HMM)和矢量量化(VQ)的连续语音识别方法。用这种方法,对每个单词作成一个HMM,对多个模型组合成的状态转移网络搜索其状态转移的最佳路径,从而实现不预先进行单词切分的连续语音的识别,使用有限态文法约束及其它一些改善识别性能的措施,演示系统能识别特定人的18种英语句式,150个单词,用312个话句(共有2710个单词)进行测试,识别延迟时间为发音时长的62％,发音速度平均为每秒2.32个单词,单词识准率为97.3％。     

基于电话用户交换机的语音识别系统研究

本论文对电话用户交换机研制了一个声控语音命令交换系统,该系统能够实现与特定人无关中小词汇量连续命令语音自动识别,研究中统计了用和命令语句,生成相应识别文法网络,识别系统的训练采用由子词模型构成的复合模型进行强化训练,识别采用令牌传递式改进Ｖｉｔｅｒｂｉ算法,提高系统的识别性能,论文比较了不同语音特征参数以及隐含马尔可夫模型状态数对电话语音识别精度的影响,研究中还开发识别系统拒识系统,在无拒识情况下     

HMM在语音识别系统中的应用

介绍语音识别技术的应用状况与发展,对基于动态时间伸缩技术、隐含马尔科夫模型及人工神经网络的3种不同的语音识别系统进行了比较,重点介绍了隐含马尔科夫模型(HMM)在语音识别系统中的应用。其中基于HMM的语音识别系统是在UniSpeech芯片上实现基于DHMM的识别系统,然后又在同一平台上实现了基于CHMM的识别系统。     

采用上下文相关音素HMM的连续语音识别

本文简要讨论了在基于ＨＭＭ的连续语音识别系统中怎样选取基本语音单元的问题，介绍了在欧洲Ｐｏｌｙｇｌｏｔ课题下在法国ＬＩＮＳＩ－ＣＮＲＳ建立的基于上下文无关音素ＨＭＭ。然后，本文详细给出了利用左或右上下文相关音素ＨＭＭ，作者对上述系统改进后进行的连续语音识别，有用美国语音库ＤＡＲＰＡ－ＲＭ１，在不考虑句法信息时，我们获得了连续时词识别率大约３－１０个百分点的明显提高。实验是在法国ＬＩＭＳＩ－ＣＮＲＳ     

基于自组织神经网络的数字语音识别

提出一种基于自组织神经网络的数字语音识别模型。首先用基于小波变换和线性预测的特征提取方法提取语音信号特征，用自组织神经网络进行识别判决。这种语音识别方法适合于小词汇量的孤立词识别，网络结构简单，所需训练数据十分的少，实时性能好。用MATLAB进行仿真实验，识别率达到98%。     

MATLAB下的基于HMM模型的语音识别技术的实现

HMM模型(隐含马尔科夫模型)由于对时间序列结构具有较强的建模能力.而逐步成为主流的语音识别技术.该文首先深入浅出地概述了基于HMM的语音识别技术,然后介绍了三个基本问题,最后在MATLAB下实现了孤立词语音识别系统.