基于HMM与神经网络的语音识别技术研究

语音识别主要是让机器准确地识别出语音的内容。利用隐马尔科夫链(HMM)与人工神经网络(ANN)各自的优点,通过HMM/ANN混合模型处理语音识别有综合的优势。本文就其中的各主要技术展开论述。     

嵌入式交互系统中的语音识别研究

随着嵌入式人机交互系统的发展,语音识别技术成为其实现的重要途径.本文介绍了一种基于SPCE061A 16位单片机的嵌入式语音识别系统,着重分析了上升过零率和峰值幅度(ZCPA)特征提取算法和增强型可变速率编码(EVRC)除噪算法等预处理技术,基于隐马尔可夫(HMM)模型的该系统可以实现语音识别的功能,可以为开发综合功能更强大的人机自然交互系统提供帮助与支持.     

基于卷积神经网络的波浪砰击载荷识别方法

为准确识别波浪砰击载荷，保障海洋平台作业的安全性，基于卷积神经网络（CNN）模型，建立立柱-甲板简化模型的砰击载荷识别方法，根据结构测点应变响应数据对砰击载荷进行识别。通过分析半潜式平台立柱-甲板处砰击载荷分布的特点，进行有限元数值计算，生成训练数据集和测试数据集，同时考虑数据噪声的影响。结果表明：CNN砰击载荷识别模型具有很高的识别精度和良好的抗噪声能力，在无噪声和有噪声情况下，整体精度分别为99.6%和91.9%；相比传统的反向传播神经网络（BPNN）模型，CNN模型的识别精度更高。     

岸边集装箱起重机司机操作意图识别方法研究

以港口岸边集装箱起重机装卸操作过程为研究背景,基于隐马尔科夫模型（HMM）,建立双层HMM模型,运用修改后的Forward-Backward算法,计算操作层各个HMM模型的似然度,选择似然度最大的模型作为操作行为的识别结果,组成观察序列串后,送入意图层HMM模型集,进行桥吊司机操作意图的识别。最后,采用Matlab环境实现HMM模型,通过现场统计确定案例基础数据,验证了模型的有效性。结果表明,该模型可准确识别岸边集装箱起重机司机的操作意图,对于研究港口机械智能辅助驾驶系统具有一定的意义。     

一种基于船舶辐射噪声信号改进Mel倒谱系数的目标识别方法

基于船舶辐射噪声信号Mel频率倒谱系数(MFCC)的目标类型识别是目前研究的一个热点。现有方法虽然在无噪声环境下具有较好的识别效果,但是在信噪比较低时其识别效果较差。基于此,文章提出了一种改进的提取MFCC特征参数的船舶目标识别方法,该方法在船舶辐射噪声信号的预处理阶段采用多正弦窗来代替传统使用的Hamming窗进行多窗频谱估计,经过计算得到改进的MFCC参数。试验结果表明,相比传统方法提取的MFCC参数,使用该方法提取的MFCC参数分别在不同信噪比的高斯白噪声干扰下,在BP神经网络分类器中的识别率更高,抗噪声的鲁棒性和稳定性更好。     

高噪声背景下舰船指挥舱大词汇量连续语音识别方法

传统的舰船指挥舱大词汇量连续语音识别方法存在着识别错误率高的缺陷,为此提出高噪声背景下舰船指挥舱大词汇量连续语音识别方法研究。对采集的连续语音信号进行预加重和预处理,以预处理后的连续语音信号为基础,采用多通道语音增强方法对连续语音信号进行增强,得到纯净连续语音信号估计,采用CDMFCC方法对纯净连续语音信号特征参数进行提取,通过CDHMM方法实现了高噪声背景下舰船指挥舱大词汇量连续语音的识别。通过实验得到,提出的舰船指挥舱大词汇量连续语音识别方法识别错误率比传统方法低了16%,说明提出的舰船指挥舱大词汇量连续语音识别方法识别性能更好。     

基于深度自编码网络的舰船辐射噪声分类识别

针对水下被动声呐目标分类识别问题,借签深度学习网络在图像、语音等领域的成功运用,提出一种基于深度自编码网络的舰船辐射噪声分类识别方法。首先使用Welch功率谱估计方法获得舰船辐射噪声的功率谱特征,然后对原始训练样本集结构优化得到新训练样本集,并构建训练深度自编码网络。依据总体正确识别概率和各类目标正确识别概率对网络参数进行优化设置,实现对舰船辐射噪声的分类识别。经过大量海上实录舰船辐射噪声的分类识别实验,验证了该方法的可行性和实用性。对比BP神经网络分类器,具有更高的正确分类识别概率。     

基于LDA的潜艇机械噪声识别算法研究

通过选取一定数量的潜艇机械设备噪声信号作为训练样本,利用线性判别分析算法(LDA)对噪声信号建立识别分类模型,然后将待测信号与已知信号库(机械设备正常工况下的噪声信号和所有已知故障情况下的噪声信号)中所有信号分别投影到识别分类模型上一一进行比对,确定潜艇机械噪声的类别.论文使用噪声模拟信号进行了相关实验,结果表明该方法能够比较准确的达到识别分类的效果.     

长短时记忆网络水下目标噪声智能识别方法

未来基于水下无人平台的水声目标探测体系要求平台自身具备目标智能化识别能力,而传统水下目标噪声识别方法需要人工提取泛化能力强的特征数据,且识别过程具有较强的人机交互特性,无法满足这一要求。针对这一问题,本文研究一种基于长短时记忆网络(LSTM)的水下目标噪声智能识别方法,借助深度学习自主学习数据特征的能力,应用长短时记忆网络(LSTM)分别对水下目标噪声的时域时间序列数据、频谱数据、梅尔倒谱(MFCC)数据进行深层次特征提取与识别,并使用实际水声目标噪声信号对该方法进行了验证。结果表明,在上述3种输入数据情况下,采用LSTM长短时记忆模型均能有效实现水下目标噪声特征提取与智能识别。     

双通道语音增强的DSP实现

双通道语音增强技术在自适应噪声对消系统中有着广泛的应用.在传统的双通道自适应噪声对消系统里,需要一个纯净的参考噪声作为辅助输入,但这在实际应用中很难做到.首先针对基本的自适应噪声对消原理,研究了一种改进的双通道自适应语音增强模型.该模型是一个基于TMS320C6713B芯片的双通道实时数据处理系统,以AD73311为数模转换器件,具有两路独立的A/D、D/A通道,能够实现语音信号的16位数据采集与处理.最后对此系统的DSP硬件设计作了简要介绍,并研究了该系统的软件设计以及算法实现.     

SOFM和HMM在旋转机械升降速全过程故障诊断中的应用

HMM模型是一个处理非平稳时间序列的统计模型。针对旋转机械升降速过程振动的特点,本文提出了利用SOFM神经网络对振动信号进行矢量量化,并用量化后的序列训练HMM模型,利用该模型对旋转机械升降速过程进行故障诊断。实验证明该方法是比过程的一种有效的诊断手段。     

舰船通信网络的数据状态识别方法

传统数据状态识别方法降噪效果不佳,导致离散点匹配出错,影响数据状态识别效果,因此提出全新的舰船通信网络的数据状态识别方法。通过转换噪声信号的时域和频域特征,处理通信网络空间噪声;利用离群点检测模型,匹配网络通信数据;获取识别任务关键因素,识别舰船通信网络的数据状态。实验结果:与传统方法相比,所提出方法的离散点匹配结果更准确,同时该方法可以正确识别出通信网络中的数据状态。     

听觉谱特征在水下目标回声识别中的应用

水下目标回声特征提取是主动目标识别的关键内容。本文提出将语音识别领域中较为成熟的RASTAPLP听觉模型应用于水中目标回波的特征提取,并根据信号的特点对RASTA-PLP模型进行修正。对比应用PLP方法进行的水中目标单频回波识别实验,结果表明:当加入卷积噪声后,修正的RASTA-PLP特征表现出更加良好的鲁棒性能,在同等测试条件下识别率比PLP听觉模型特征高约3%,显示了本方法在实现目标回声自动识别上的重要应用前景。     

听觉谱特征在水下目标回声识别中的应用

水下目标回声特征提取是主动目标识别的关键内容。本文提出将语音识别领域中较为成熟的RASTA-PLP听觉模型应用于水中目标回波的特征提取,并根据信号的特点对RASTA-PLP模型进行修正。对比应用PLP方法进行的水中目标单频回波识别实验,结果表明：当加入卷积噪声后,修正的RASTA-PLP特征表现出更加良好的鲁棒性能,在同等测试条件下识别率比PLP听觉模型特征高约3%,显示了本方法在实现目标回声自动识别上的重要应用前景。     

基于深度学习的多声源并行化声纹辨别方法

随着大数据时代的到来,快速而有效地辨别声纹已经成为智能感知领域的重要需求,而传统神经网络和单拾音器系统的辨别精度不高,样本数据量大,其运算速度严重制约了系统的实时性.文中方法通过拾音阵列获取目标声源的位置和时频域信息,利用GPU并行构造掩蔽函数,实现信号数据级融合,强化目标语音特征,然后将多通道的MFCC(mel-frequency cepstral coefficient)声纹参数进行特征级融合,输入深度信念网络(deep belief network,DBN)进行训练和识别,同时使用CUDA(compute unified device architecture)平台对DBN的训练过程进行了并行优化.该方法能在多声源环境下全面地提取目标声纹,有效提高声纹辨别准确率,缩短数据训练耗时,保证了系统实时性.该方法为大数据环境下语音信号高性能处理提供了一种实现方式.     

基于ICA和SVM-GMM的战场混叠声振动目标识别

提出一种基于独立分量分析的混叠声目标盲分离和支持矢量机一高斯混合模型(SVM-GMM)识别相结合的声识别方法.建立已知声日标的SVM-GMM,实现混叠声目标自适应盲源分离,提取声目标的线性预测系数作为目标识别的参数,用K-均值算法对参数进行聚类,产生了训练和识别所用的特征向量来判断声目标的类别.仿真结果表明:新的混合模型识别系统在混叠声振动目标识别中具有可行性.     

基于DPC-GMM算法的船舶燃油系统故障诊断

[目的]传统的高斯混合模型(GMM)算法存在收敛速度较慢的固有缺陷,容易产生过拟合现象,导致参数计算陷入局部最优,不能很好地用于船舶燃油系统的故障诊断。[方法]首先,分析GMM算法及参数估计算法,结合密度峰值聚类(DPC)算法,提出一种基于DPC-GMM算法的船舶燃油系统故障诊断方法;然后,通过训练船舶燃油系统状态所对应的高斯混合模型参数,实现对船舶燃油系统故障的无监督诊断;最后,基于获取的船舶燃油系统故障数据,验证该方法的有效性。[结果]实验结果表明,采用基于DPC-GMM算法的故障辨识准确率高、识别速度快,优于传统的反向传播(BP)神经网络和支持向量机(SVM)诊断算法。[结论]研究结果对船舶燃油系统的故障诊断有重要的指导意义。     

模拟退火法下交互式舰船红外图像斑点抑制

针对传统方法下舰船红外图像边缘特征识别结果不精准,导致斑点抑制效果较差的问题,提出了模拟退火法的交互式舰船红外图像斑点抑制方法。建立交互舰船红外图像斑点噪声模型,使用Radon变换方法处理模型数据。构造邻域结构模型,补充残缺结构特征,根据设定的模拟退火参数,获取处理后的数据识别图像边缘特征。根据图像边缘线条走向,确定图像区域特征,输出消除斑点的舰船红外图像。由实验结果可知,该方法能够消除全部斑点,并精准识别出图像边缘。     

基于HMM的脱机手写字符识别方法研究

为了对手写字符进行识别，对隐马尔可夫模型算法及训练方法进行了探讨．首先简要地描述了字符识别的预处理和字符分割，然后利用Haar基函数提取字符特征，给出了解决隐马尔可夫模型的三个关键问题的算法，尤其是利用高斯混合模型对样本进行训练，建立了结合高斯混合模型的隐马尔可夫模型．实验结果表明，该方法有效可行，与已有研究结果进行对比，该方法具有一定的优越性。     

一种汉语语音端点检测的新方法

提出一种基于EVRC的端点检测方法.在背景噪声变化的环境下,将语音映射到一个基于心理声学模型的语音矩阵中,通过跟踪噪声,得到的语音矩阵和参数能够适应不同的背景噪声环境.结合汉语语音的特点,使用本方法无需改变门限,即可准确的检测出语音的端点.