孤立词语音识别程序

孤立词语音识别程序

信息处理仿真实验语音处理部分

一、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

块内的设计，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。

二、实验内容

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。

三、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

⑴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

⑵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)和Mel 尺度倒谱参数(MFCC)等。这里提取语音信号的Mel 尺度倒谱参数(MFCC)，步骤如下：

预

加

重汉明窗傅立叶变

换取模三角滤波函数组取对数离散余弦变换语音

信号MFCC 归一化导谱提升计算差分系数并合

并特征参数

图3.2特征参数提取

分析：

①预加重

()()-0.97(1)y n x n x n =-

②加汉明窗

()()()w x n y n w n =⨯

③ FFT

1

2/0()()N j nk N w w n X k x n e π--==∑

这里直接采用现成的FFT 快速算法。

④对频谱进行三角滤波

程序采用归一化mel 滤波器组系数

⑤计算每个滤波器的输出能量

120()ln ()()0N w m k S m X k H k m M -=⎛⎫=≤< ⎪⎝⎭

∑ ⑥离散余弦变换(DCT)得到MFCC

()1()()cos (0.5)/1,2,...,M

m C n S m n m M n p π==-=∑

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

⑦归一化倒谱提升

π≤≤

w = 1 + 6 * sin(u / 12) 1u12

w = w/max(w)

⑧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。

⑶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=1~N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=1~M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N×M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（2），……，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MFCC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 D[T，R]，距离越小则相似度越高。为了计算