语音识别及语义识别.pptVIP

* * * * 语音识别与语义识别 CONTENTS 1 语音识别 2 语义识别 语音识别 PART 1 定义 语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的技术。 本质上是一种模式识别的过程，未知语音的模式与已知语音的参考模式逐一进行比较，最佳匹配的参考模式被作为识别结果。 基本原理 系统中包括预处理、特征提取、参考模型、模式匹配和后处理五大部分。 1.预处理模块 对输入的原始语音信号进行处理 (1)模/数转换 (2)滤除掉其中的不重要的信息以及背景噪声 (3)进行语音信号的端点检测（找出语音信号的始末，双门限比较法 就是根据语音信号的特征参数(能量和过零率)进行清音、噪音判 别,从而完成端点检测的） (4)语音分帧（近似认为在10-30ms内是语音信号是短时平稳的，将语音信号分割为一段一段进行分析，加窗函数） (5)预加重（提升高频部分使语音信号的频谱变得比较平坦，便于进行频谱分析或者声 道参数分析） 2.特征提取 特征提取就是从语音信号中提取出语音的特征序列，提取的语音特征应该能完全、准确地表达语音信号,特征提取的目的是提取语音信号中能代表语音特征的信息,减少语音识别时所要处理的数据量。 基于声道模型和听觉机理的线性预测倒谱系数LPCC(Linear Predietive Cepstral CoefieientS)和美尔频率倒谱系数MFCC(Mel Frequeney Cepstral cocfioionts)参数 2.特征提取 基于LPC的倒谱参数(LPCC)分析法的典型代表是，以基于Durbin或Levinson迭代算法求解“维纳——霍夫方程”获得的LPC预测系数为基础，进而得到的LPC的倒谱参数(LPCC)。 MFCC的计算首先用FFT将时域信号转化成频域，之后对其对数能量谱用依照Mel刻度分布的三角滤波器组进行卷积，最后对各个滤波器的输出构成的向量进行离散余弦变换DCT，取前N个系数。 2.特征提取 基于现代处理技术的小波变换系数分析法是将语音信号与一个在时域和频域均具有良好局部化性质的小波函数族进行积分(小波变换)，从而把信号分解成一组位于不同频率和时段内的分量，即选择小波函数为某类平滑函数的一阶导数，则经小波变换后的局部最大值反映信号的尖锐变化(即声门闭着点)，而局部最小值则反映信号的缓慢变化，从而获得反映基音周期的小波语音特征参数。 3.模式识别 语音识别系统的模型通常由声学模型和语言模型两部分组成，分别对应于语音到音节概率的计算和音节到字概率的计算。在进行语音识别的时候，将输入的待识别语音信号与模式进行匹配，便可得到识别结果。 模式识别 语音识别过程依据模式匹配原则,传统的语音识别系统是一个按一定测度算法实现被识别特征参数与模式库中的模板进行最优模式匹配的过程。 目前语音识别比较常用的识别方法主要有： 模板匹配法,以动态时间规整(DynamiC Time Warping,DTw)为代表; 随机模型法,以隐马尔可夫模型(Hidden Markov Model,HMM)为代表; 基于人工神经网络(ArtifiCial Neural NetworkS,ANN)的识别方法 模式识别-动态时间规整(DTW)技术 DTW是采用一种最优化的算法——动态规整法，算法的思想就是把未知量均匀的拉长或缩短，直到与参考模式的长度一致。这一过程中，未知量(待识别语音信号)的时间轴进行不均匀地扭曲和弯曲，使其特征与模板特征对齐(即时间规整)，并在两者之间不断的进行两个矢量距离最小的匹配路径计算，从而获得两个矢量匹配时累积距离最小的规整函数。这是一个将时间规整和距离测度有机结合在一起的非线性规整技术，保证了待识别特征与模板特征之间最大的声学相似特性和最小的时差失真，是成功解决模式匹配问题最早和最常用的方法。 DTW法的不足之处是运算量大、对语音信号的端点检测数过大和未能充分利用语音信号的时序动态信息等等。因此，主要用于孤立词、小词汇等相对简单的汉语语音识别系统。 模式识别-隐马尔可夫模型(Hidden Markov Model，HMM)技术 HMM法与DTW法不同，首先，其模式库不是预先存储好的模式样本，而是通过反复的训练过程，用迭代算法(如Baum．Welch算法等)形成一套与训练输出信号吻合概率最大的最佳HMM模型参数：A=(z，A，B)，其中，石为初始状态概率分布；A为状态转移概率分布；B为某状态下系统输出的概率分布。这些参数均为反映训I练中语音的随机过程的统计特性下的数字参数，而不是模式特征参数本身。其次，在识别过程中，采用基于一种在最佳状态序列基础上的整体约束最佳准则算法——Ⅵterbi算法，计算待识别语音序列与HMM模型参数之间的似然概率达到最大值，所对应的最佳状态序列作为识别输