基于高维空间点覆盖理论非特定人问候语的语音识别

论文摘要

本文结合巨化合成氨厂的变电站的人机对话系统研究课题,对连续语音提出了一种无需切分直接识别的研究,这样就可以避免因分割错误而带来的错误识别。采用了一种新的数据压缩的方法,方法简单有效。在构建语音模型时,将高维空间点覆盖的理论应用到非特定人的连续问候语语音识别的学习过程中。在识别时,采用高维空间覆盖动态搜索的方法,对连续的问候语语音在滚动的时间轴上进行动态搜索。该方法简单易行,速度快,占用的内存空间小,适用于在线实时处理的情况。还描述了HMM的基本原理、HMM的结构以及HMM在语音识别中的应用,论述了高维空间几何理论及其在问候语语音识别中的相关算法,提出了一种点到高维超平面垂足和距离的新算法,分析了高维空间的点覆盖理论在问候语语音识别中的应用方法。 建立了问候语语音数据库,提出了一种问候语语音特征提取算法,以及一种基于高维空间几何点覆盖的问候语语音训练算法。 提出了一种基于高维空间几何点覆盖的问候语语音识别算法,并对不同数量样本下HMM和高维空间点覆盖方法对连续问候语语音中问候语音节的建模能力进行比较,从比较结果的发展趋势看,随着样本数量的增多,两种方法的识别率之间的差距也会慢慢减小,当样本数量趋近很大时,它们的识别率都会渐渐逼近100%,从结果中看出,基于

论文目录

• 摘要
• ABSTRACT
• 符号说明
• 第一章 绪论
• 1.1 语音识别的学科背景和发展概况
• 1.1.1 国外语音识别的发展概况
• 1.1.2 国内语音识别的发展概况
• 1.2 语音识别系统
• 1.2.1 语音识别系统的分类
• 1.2.2 语音识别系统的结构
• 1.3 语音识别面临的难点和发展趋势
• 1.3.1 语音识别的难点
• 1.3.2 发展趋势
• 1.4 本论文的选题依据和意义
• 1.4.1 本文采用的方法
• 1.4.2 本文所研究的内容
• 1.5 课题的创新点
• 1.6 本文的内容及结构
• 第二章 语音识别中的隐马尔可夫模型理论及高维空间理论
• 2.1 隐马尔可夫模型的基本原理
• 2.1.1 HMM基本概念
• 2.1.2 HMM的三个基本问题
• 2.1.3 HMM的结构与类型
• 2.1.4 HMM在语音识别中的应用
• 2.2 高维特征空间理论与算法
• 2.2.1 用点或点集来表示高维空间中的子空间的必要性
• 2.2.2 高维空间几何的一些基本概念
• 2.2.2.1 基本定义
• 2.2.3 高维空间几何算法
• 2.2.3.1 传统上超平面的一般表示、点到超平面垂足与距离的算法
• 2.2.3.2 高维空间中直线外一点到该直线的垂足和距离的算法
• 2.2.3.3 高维空间中线段平移的算法
• 2.3 高维空间点覆盖理论
• 2.3.1 覆盖
• 2.3.2 高维空间点覆盖覆盖比
• 2.3.2.1 定义
• 2.3.2.2 高维空间局部顶点覆盖
• 2.3.3 高维空间覆盖积
• 2.3.4 问候语语音点在高维空间中的分布概况
• 2.4 本章总结
• 第三章 基于问候语语音的特征提取
• 3.1 问候语语音库的建立
• 3.1.1 语音信号获取
• 3.1.2 语音切分
• 3.1.3 预处理
• 3.1.4 特征提取
• 3.2 本系统采用的训练算法
• 3.2.1 神经元的多维空间几何对应
• 3.2.2 基于问候语的高维空间复杂几何形体的构筑
• 3.3 总结
• 第四章 非特定人问候语连续语音识别算法及结果分析
• 4.1 被识别的连续语音库的建立
• 4.1.1 被识别的问候语连续语音库的建立
• 4.1.2 被识别的连续语音的特征提取方法
• 4.2 高维空间点覆盖动态搜索识别方法
• 4.2.1 高维空间点覆盖神经网络的识别方法
• 4.2.1 基于问候语的高维空间点覆盖动态搜索识别方法
• 4.3 实验结果
• 4.4 其他方法与本系统的比较
• 4.4.1 HMM模型与本系统的建模情况
• 4.4.2 HMM模型系统与本系统的实验结果比较
• 第五章 总结
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录