基于神经网络的语音识别研究

【摘要】：语音识别由于其重要的理论价值与广阔的应用前景,受到人们的广泛重视。到目前为止,语音识别研究大部分以线性系统理论为基础,主要应用隐马尔可夫模型(HMM)与动态时间规整(DTW)等技术。随着研究的逐步深入,人们发现语音是一个复杂的非线性过程,基于线性系统理论的语音识别方法的局限性越来越凸显。语音识别若要取得突破,必须引入非线性理论的方法。近年来,人工神经网络(ANN)、混沌、分形等非线性理论研究和应用的逐渐深入,将这些理论应用于语音识别成为可能。因此,本文将以神经网络为基础,并引入混沌与分形理论来进行语音识别的研究。 本文主要研究了基于神经网络的语音识别。对语音识别的预处理、特征提取与识别算法等环节进行了计算验证、性能分析和结果评述,对本文所使用到的几种识别方法的识别性能与应用特点进行了比较,分析讨论了在语音识别研究中神经网络的设计原则以及不同的特征参数等方面对语音识别结果的影响,研究构造了相应的语音识别模型与算法,并完成了实验软件平台的设计与开发。基于语音时域波形表现出的分形特性,把语音的分形维数作为语音识别的一个特征参数,并结合传统的语音特征参数,本文提出了基于MFCC与分形维数混合参数的语音识别方法,以更好地表现语音的特征,避免传统的分段线性处理所产生的局限性,提高了识别性能。实验结果显示,该方法比传统的MFCC参数的语音识别方法具有更好的识别性能。在上述研究的基础上,本文进一步研究了语音信号中的混沌机制,将混沌神经网络(CNN)应用到语音识别,以一种混沌神经元为基础,构造了一个混沌神经网络,提出了一种基于混沌神经网络的语音识别方法。实验结果表明,该方法有较好的识别性能与独特的应用优势。针对孤立词语音识别任务,论文进行了机械臂语音控制的实验,实验结果达到了预期的效果。