基于HMM算法的仿人机器人语音识别技术的研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景及研究的目的和意义 | 第10-12页 |
| 1.2 国内外相关技术发展概况 | 第12-16页 |
| 1.2.1 国外相关技术的发展概况 | 第12-14页 |
| 1.2.2 国内相关技术的发展概况 | 第14-16页 |
| 1.3 本文主要研究工作 | 第16页 |
| 1.4 本文的结构 | 第16-18页 |
| 第2章 语音识别相关原理与算法的研究 | 第18-29页 |
| 2.1 语音识别基础 | 第18-20页 |
| 2.1.1 语音识别基本原理 | 第18-19页 |
| 2.1.2 语音识别分类 | 第19-20页 |
| 2.2 语音信号分析与处理 | 第20-22页 |
| 2.2.1 预滤波与数字化 | 第20-21页 |
| 2.2.2 预加重 | 第21页 |
| 2.2.3 加窗分针 | 第21-22页 |
| 2.3 语音端点检测 | 第22-25页 |
| 2.3.1 短时能量及短时平均过零率 | 第23-24页 |
| 2.3.2 双门限端点检测算法 | 第24-25页 |
| 2.4 语音信号的特征提取 | 第25-26页 |
| 2.4.1 线性预测倒谱系数(LPCC) | 第25-26页 |
| 2.4.2 Mel 频谱倒谱系数(MFCC) | 第26页 |
| 2.5 常用语音识别和训练方法 | 第26-28页 |
| 2.5.1 矢量量化(VQ) | 第27页 |
| 2.5.2 动态时间规整(DTW) | 第27-28页 |
| 2.5.3 隐马尔可夫模型(HMM) | 第28页 |
| 2.5.4 人工神经网络方法(ANN) | 第28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 去噪算法和隐马尔可夫算法的研究及改进 | 第29-43页 |
| 3.1 语音信号去噪算法研究 | 第29-31页 |
| 3.1.1 传统频谱减法 | 第29-30页 |
| 3.1.2 音乐噪声产生的原因 | 第30页 |
| 3.1.3 改进的频谱减法 | 第30-31页 |
| 3.2 HMM 模型介绍 | 第31-34页 |
| 3.2.1 HMM 基本原理 | 第31-32页 |
| 3.2.2 HMM 模型结构 | 第32-33页 |
| 3.2.3 HMM 模型的分类 | 第33-34页 |
| 3.3 HMM 的实现 | 第34-39页 |
| 3.3.1 HMM 模型的三个基本问题 | 第34-35页 |
| 3.3.2 向前-向后算法的研究 | 第35-37页 |
| 3.3.3 Viterbi 算法的研究 | 第37-38页 |
| 3.3.4 Baum-Welch 算法的研究 | 第38-39页 |
| 3.4 基于 K 均值 HMM 算法的改进 | 第39-42页 |
| 3.4.1 K 均值算法 | 第40页 |
| 3.4.2 HMM 模型的改进 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 仿人机器人平台介绍及实验分析 | 第43-59页 |
| 4.1 仿人机器人整体系统控制方案 | 第43-44页 |
| 4.2 语音识别硬件系统设计与搭建 | 第44-45页 |
| 4.3 语音信号去噪和特征参数提取 | 第45-48页 |
| 4.3.1 语音信号去噪 | 第45-46页 |
| 4.3.2 特征参数提取 | 第46-48页 |
| 4.4 声学建模 | 第48-51页 |
| 4.4.1 语音库介绍 | 第48-49页 |
| 4.4.2 特征提取 | 第49页 |
| 4.4.3 HMM 模型训练单元 | 第49-51页 |
| 4.5 实验结果分析 | 第51-57页 |
| 4.5.1 不同实验条件下识别结果分析 | 第51-52页 |
| 4.5.2 不同说话风格识别结果分析 | 第52-53页 |
| 4.5.3 异性之间识别率差异分析 | 第53-54页 |
| 4.5.4 双通道语音输入识别率分析 | 第54-55页 |
| 4.5.5 K 均值分段算法结果分析 | 第55-57页 |
| 4.6 本章小结 | 第57-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读学位期间发表的学术论文 | 第64-66页 |
| 致谢 | 第66页 |
