翻译论文研究外文毕业论文翻译论文-完整.docVIP

毕业设计(论文)外文资料翻译 学 院： 自动化工程学院 专 业：□自动化 □测控技术与仪器 姓 名： 学 号： 附 件： 1.外文资料翻译译文；2.外文原文。 指导教师评语： 签名： 年 月 日 附件1：外文资料翻译译文 改进型智能机器人的语音识别方法 2、语音识别概述由于重大理论意义和实用价值语音识别已经到越来越多的关注到现在为止多数的语音识别是基于传统的线性系统理论如隐马尔可夫模型发现，语音信号是一个复杂的非线性过程如果语音识别研究要突破，非线性系统理论方法。最近，非线性系统理论，如人工神经网络混沌与分形可能应用这些理论语音识别。因此，本文的研究是神经网络和混沌分形理论的基础上介绍了语音识别的过程。隐马尔可夫模型这些意见将反馈HMM的模型参数这些参数包括转移概率线性预测倒谱系数Mel频率倒谱系数声道共振本文利用传统的LPCC和非线性多尺度分形维数特征提取研究并实现识别系统。3.1线性预测倒谱系数线性预测系数预测系数可以用来估计语音信号的倒谱倒谱信道模型 其中p代表线形预测命令，，（k=1，2，… …，p）代表预测参数，脉冲响应倒谱倒谱我们应该对语音信号进行预加重，帧处理，加工和终端窗口检测等语音分形维数计算分形维数是分形的规模与数量的值，也是对自我的结构相似性测量。分形分维测量是[67]。从测量的角度来看，分形维数整数，打破了一般集拓扑学方面被整数分形维数的限制，分数大多是在欧几里得几何尺寸的延伸。豪斯多夫豪斯多夫端点检测端点检测改进的特征提取方法自相似性周期性随机性人工神经网络人工神经网络因此，现在是进行正规化的特征参数输入到前神经网络[9]因而自动语音识别技术的最终目的CSLU，2002）。然而，大多数的自动语音识别工程师都承认这样一个现状，即对于一个大的语音词汇单位，当前的准确度水平仍然低于90%。举一个例子，Dragons Naturally Speaking或者IBM公司，阐述了取决于口音，背景噪音，说话方式的基线识别的准确性仅仅为60%至80%(Ehsani Knodt, 1998)。更多的能超越以上两个的昂贵的系统有Subarashii (Bernstein, et al., 1999), EduSpeak (Franco, etal., 2001), Phonepass (Hinks, 2001), ISLE Project (Menzel, et al., 2001) and RAD (CSLU, 2003)。语音识别的准确性望改善隐马尔可夫模型（HMM）(Ehsani Knodt, 1998)。详细说明隐马尔可夫模型如何工作超出了本文的范围Jurafsky Martin (2000) and Hosom, Cole, and Fanty (2003)。简而言之隐马尔可夫模型输入接收(Hinks, 2003, p. 5)。也就是说，一台基于隐马尔可夫模型输入一个发的音素一个相应的模型(Larocca, et al., 1991)。 虽然语音识别已被普遍用于商业听写和获取特殊需要等目的占有率急剧增加(Aist, 1999; Eskenazi, 1999; Hinks, 2003)使用动态规划执行模式匹配其他时间规范化技术(Dalby Kewley-Port,1999). Talk to Me (Auralog, 1995), the Tell Me More Series (Auralog, 2000), Triple-Play Plus (Mackey Choi, 1998), New Dynamic English (DynEd, 1997), English Discoveries (Edusoft, 1998), and See it, Hear It, SAY IT! (CPI, 1997)。这些程序的大多数都不会提供任何反馈给超出简单说明的发音准确率，这个基于模式匹配用户提出书面对话选择特别是内里，（2002年）Talk to Me和Tell Me More等作品中的波形图，因为他们期待浮华买家Talk to Me 2002年的版本已经包含了更多Hinks (2003)的特性，比如，信任对于学习者来说是非常有用的: 一个视觉信号可以让学习者把他们的语调同模型扬声器发出的语调进行对比。 学习者发音的准确度通