DTW语音识别算法(部分).docxVIP

附录 2:训练函数：train.m disp(正在生成训练参数……); for i=1:20 fname=sprintf(train\\%d0.wav,i); [k,fs]=audioread(fname); [StartPoint,EndPoint]=vad_m(k,fs); cc=mfcc(k); cc=cc(StartPoint-2:EndPoint-2,:); ref(i+1).StartPoint=StartPoint; ref(i+1).EndPoint=EndPoint; ref(i+1).mfcc=cc; end disp(正在存储模板库……); save mfcc.mat ref; disp(存储完毕) 附录 3:测试函数：dtwtest.m clear;close all;clc; disp(正在导入参考模板参数...); load mfcc.mat; disp(正在计算测试模板的参数...) for i=0:3 fname = sprintf(test\\%d1.wav,i); [k,fs]=audioread(fname); [StartPoint,EndPoint]=vad_m(k,fs); cc=mfcc(k); cc=cc(StartPoint-2:EndPoint-2,:); test(i+1).StartPoint=StartPoint; test(i+1).EndPoint=EndPoint; test(i+1).mfcc=cc; end disp(正在进行模板匹配...) dist = zeros(1,20); for i=1:4 for j=1:20 dist(i,j) = dtw(test(i).mfcc, ref(j).mfcc); end end disp(正在计算匹配结果...) for i=1:4 [d,j] = min(dist(i,:)); if (j=1 j=5) fprintf(测试模板%d1.wav 的识别结果为:前进\n,i-1); end if (j= 6 j=10) fprintf(测试模板%d1.wav 的识别结果为:停止\n,i-1); end if (j=11 j=15) fprintf(测试模板%d1.wav 的识别结果为:左转\n,i-1); end if (j=16 j=20) fprintf(测试模板%d1.wav 的识别结果为:右转\n,i-1); end end close all; 附录 4:特征提取函数：vad_m.m function [StartPoint,EndPoint]=vad(k,fs) %% [StartPoint,EndPoint]=vad(k,fs) %% 语音信号端点检测程序，k 为语音信号， %% fs 为其采样频率，程序绘制出语音信号 %% 相关波形图并返回起止端点所对帧号 close all % 幅度归一化到[-1,1] k=double(k); k=k./max(abs(k)); %------------------------------ % 显示波形 %------------------------------ SNR=5; % 设置 SNR signal=Gnoisegen(k,SNR); % 叠加噪声 snr1=SNR_singlech(k,signal); % 计算叠加噪声后的信噪比 N=length(k); % 信号长度 t=(0:N-1)/fs; % 设置时间 IS=.25; % 设置 IS % 调用 WienerScalart96m_2 函数做维纳滤波 output=WienerScalart96m_2(signal,fs,IS,0.12); ol=length(output); % 把 output 补到与 x 等长 if olN output=[output; zeros(N-ol,1)]; end snr2=SNR_singlech(k,output); % 计算维纳滤波后的信噪比 snr=snr2-snr1; fprintf(snr1=%5.4f snr2=%5.4f snr=%5.4f\n,snr1,snr2,snr); subplot 311; plot(t,k,k); grid; axis tight; title(纯语音波形); ylabel(幅值) subplot 312; plot(t,signal,k); grid; axis tight; title([带噪语音 信噪比= num2str(SNR) dB]); ylabel(幅值) subplot 313; plot(t,output,k);grid; ylim([-1 1]); title(维纳滤波后波