电力系统下语音识别的研究与应用

发布时间：2021-11-26 23:41

　　语音识别是人工智能研究的重要领域,具有重要的理论意义和实用价值,汉语是世界上使用人数最多的一门语言,汉语语音识别技术有着非常广阔的应用前景。本文对高斯混合隐马尔科夫模型（Gaussian Mixture Model/Hidden Markov Model,GMM-HMM）下的汉语语音识别系统中的三个模块进行了研究和实现,针对其中的两个部分进行了改进,并将改进后的GMM-HMM应用到电力系统指令调度语音识别系统中。首先研究了基于GMM-HMM的汉语语音识别系统的整体框架,对声学模型进行了实现与分析。现代汉语不同于印欧语系,其有着声调这一独特属性,同一个汉字在不同的声调下代表不同的意义。针对此现象,本文提出在声学模型中增加声调模型。实验证明声调模型可以有效的区分声韵母相同但声调不同的近音字。然后本文在连续语音识别方向进行研究。现代汉语中,相同的读音可能代表完全不同的汉字,现阶段同音字的识别结果与实际语义存在一定差异。针对此现象,本文提出将单音素模型改为基于上下文的三音素模型,根据当前字的出现与前一个字的出现有关的原则,对训练集进行统计计算字转移概率,并将字转移概率添加至语言模型中。实验证明... 

【文章来源】：武汉工程大学湖北省

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

人类语音交流示意图

图 1-2 语音识别系统框架预处理部分主要是将接收的波形语音信号进行处理，提取语音信号的声学特征。这个过程首先需要对波形语音信号进行加窗和分帧处理，一般采用 25ms 汉明窗，窗移 10ms，将波形信号分割成若干个 25ms 的小

图 1-3 HMM 的生成模型作为一个例子，在 M 的一个实例中，出现状态 X =（s2, s2, s3, s4, 察到观测向量序列 O = (o1, o2, o3, o4, o5, o6)的概率为：( , | )p O X M

【参考文献】：
期刊论文
[1]基于HMM的声调语音模型研究[J]. 易雪蓉,黄巍,胡迪,蒋怡.  武汉工程大学学报. 2018(06)
[2]浅析现代汉语三音节词界定问题[J]. 王欣欣,王宇枫.  现代语文(学术综合版). 2017(08)
[3]基于卷积神经网络的维吾尔语语音识别[J]. 梁玉龙,屈丹,李真,张文林.  信息工程大学学报. 2017(01)
[4]拉普拉斯反变换的计算[J]. 滕岩梅.  高等数学研究. 2016(06)
[5]正则化分段区分性特征变换方法[J]. 陈斌,张连海,屈丹,李弼程.  西安电子科技大学学报. 2016(02)
[6]基于HTK的语音识别语言模型设计及性能分析[J]. 张强,陶宏才.  成都信息工程学院学报. 2009(02)
[7]普通话语音识别中的基本音素分析[J]. 黄中伟,杨磊,徐明,冯杉杉.  深圳大学学报. 2006(04)
[8]“十五”高教版《现代汉语》的语法系统[J]. 张登岐.  阜阳师范学院学报(社会科学版). 2005(06)
[9]基于段长分布的HMM语音识别模型[J]. 王作英,肖熙.  电子学报. 2004(01)
[10]需求牵引技术推动开展我国人工智能技术的研究[J]. 汪成为.  中国科技论坛. 1996(02)

博士论文
[1]基于深层神经网络的语音识别声学建模研究[D]. 周盼.中国科学技术大学 2014

硕士论文
[1]连续语音识别系统的研究与实现[D]. 鲁泽茹.浙江工业大学 2016
[2]基于网页的语音呼叫系统的研究与实现[D]. 邹琳.电子科技大学 2014
[3]区分性训练和区分性自适应在自动语音识别声学模型优化中的应用[D]. 竺博.中国科学技术大学 2009



本文编号：3521154