基于HMM和RNN的无人机语音控制方案与仿真研究

发布时间：2021-04-11 02:14

　　为简化无人机操作,避免误操作,设计了一套基于隐马尔可夫模型（Hidden Markov Model,HMM）和循环神经网络（Recurrent Neural Networks,RNN）的无人机语音控制方案。该方案采用HMM识别无人机语音指令;同时采用RNN对多套无人机操作指令串进行训练,并对当前时刻指令进行预测,通过计算二者的相关性判断是否执行。仿真结果表明,该方案对HMM识别错误指令的辨别率达到61.90%,使整体错误率降至1.43%,表明该方案具有较为优异的性能。 

【文章来源】：系统仿真学报. 2020,32(03)北大核心CSCD

【文章页数】：8 页

【部分图文】：

语音控制方案工作流程Fig.3Flowchartofspeechcontrolscheme

投?应的无人机语音指令，即为识别结果。3循环神经网络近年来，循环神经网络(RNN)及一些改进的循环神经网络，如长短时记忆神经网络(Long-ShortTimeMemory，LSTM)和时延神经网络(TimeDelayNeuralNetworks，TDNN)，已经广泛运用于语音识别的声学建模当中，并取得了较前馈神经网络更好的效果[12-16]。循环神经网络取得这种优势的主要原因在于，其记忆能力可以涵盖完整的语音序列，而前馈神经网络只能利用一个有限长度内的信息。循环神经网络的结构如图1所示，时间展开后的结构图如图2所示。图1循环神经网络结构图Fig.1StructurediagramofRNN图2循环神经网络时间展开图Fig.2TimeexpansiondiagramofRNN然而，正因为循环神经网络的记忆能力可以涵盖整个语音序列，因此其层间和层内需要更为复杂的连接，这也带来了巨大的计算量，直接限制了循环神经网络在实时性上的性能。如果直接将无人机

出概率，其中概率最大的隐马尔可夫模型对应的无人机语音指令，即为识别结果。3循环神经网络近年来，循环神经网络(RNN)及一些改进的循环神经网络，如长短时记忆神经网络(Long-ShortTimeMemory，LSTM)和时延神经网络(TimeDelayNeuralNetworks，TDNN)，已经广泛运用于语音识别的声学建模当中，并取得了较前馈神经网络更好的效果[12-16]。循环神经网络取得这种优势的主要原因在于，其记忆能力可以涵盖完整的语音序列，而前馈神经网络只能利用一个有限长度内的信息。循环神经网络的结构如图1所示，时间展开后的结构图如图2所示。图1循环神经网络结构图Fig.1StructurediagramofRNN图2循环神经网络时间展开图Fig.2TimeexpansiondiagramofRNN然而，正因为循环神经网络的记忆能力可以涵盖整个语音序列，因此其层间和层内需要更为复杂的连接，这也带来了巨大的计算量，直接限制了循环神经网络在实时性上的性能。如果直接将无人机

【参考文献】：
期刊论文
[1]基于安卓语音识别的无人机控制系统[J]. 应捷,韩旭.  软件导刊. 2017(05)
[2]基于递归神经网络的语音识别快速解码算法[J]. 张舸,张鹏远,潘接林,颜永红.  电子与信息学报. 2017(04)
[3]基于RNN-RBM语言模型的语音识别研究[J]. 黎亚雄,张坚强,潘登,胡惮.  计算机研究与发展. 2014(09)
[4]语音端点检测的仿真研究[J]. 刘晓明,覃胜,刘宗行,江泽佳.  系统仿真学报. 2005(08)

硕士论文
[1]RNN-BLSTM声学模型的说话人自适应方法研究[D]. 黄智颖.中国科学技术大学 2017
[2]基于RNN的手写轨迹序列生成与分类系统的设计与实现[D]. 贾殊凯.哈尔滨工业大学 2016
[3]无人机语音指令控制系统技术研究[D]. 王冲.南京航空航天大学 2012
[4]基于神经网络/HMM的语音识别算法的研究[D]. 张志刚.武汉理工大学 2006
[5]语音控制的应用研究[D]. 何湘智.中国人民解放军国防科学技术大学 2002



本文编号：3130743