1、語(yǔ)音識(shí)別是一門(mén)內(nèi)涵豐富，應(yīng)用廣泛的技術(shù)，它的實(shí)用性和趣味性使得人們對(duì)它有著迫切的應(yīng)用需求。在語(yǔ)音識(shí)別系統(tǒng)中，隱馬爾可夫模型是當(dāng)前最為流行的語(yǔ)音識(shí)別模型，占據(jù)著主導(dǎo)地位。HMM模型之所以應(yīng)用較為成功，主要是它具有較強(qiáng)的對(duì)時(shí)間序列結(jié)構(gòu)的建模能力，盡管如此，HMM技術(shù)也存在一些缺點(diǎn)，如：決策分類(lèi)能力弱，需要語(yǔ)音信號(hào)的先驗(yàn)統(tǒng)計(jì)知識(shí)等。人工神經(jīng)網(wǎng)絡(luò)方法作為模擬人腦思維機(jī)制的工程模型，它與HMM正好相反，其分類(lèi)決策能力和對(duì)不確定事物的描述能力已得到

2、舉世公認(rèn)，但它對(duì)動(dòng)態(tài)時(shí)間信號(hào)的描述能力尚不盡如人意。本論文在介紹HMM模型和人工神經(jīng)網(wǎng)絡(luò)的基本原理的基礎(chǔ)上，將兩種方法有機(jī)結(jié)合，進(jìn)一步提高語(yǔ)音識(shí)別的準(zhǔn)確率。 對(duì)于含噪語(yǔ)音信號(hào)的有效特征提取是語(yǔ)音識(shí)別至關(guān)重要的一步。本論文首先介紹了在語(yǔ)音識(shí)別中最常用的兩種特征參數(shù)：基于發(fā)聲系統(tǒng)模型導(dǎo)出的線(xiàn)性預(yù)測(cè)倒譜系數(shù)、基于聽(tīng)覺(jué)系統(tǒng)模型導(dǎo)出的Mel頻率倒譜系數(shù)，而這兩種特征參數(shù)在純凈語(yǔ)音下識(shí)別效果比較好，但是在噪聲環(huán)境下識(shí)別效果不盡如人意。接著提

3、出利用小波變換對(duì)含噪語(yǔ)音信號(hào)進(jìn)行去噪的方法，再經(jīng)Mel濾波器組轉(zhuǎn)換為Mel頻率下的倒譜系數(shù)，這種新的特征參數(shù)進(jìn)一步反映了語(yǔ)音信號(hào)的動(dòng)態(tài)特性、增強(qiáng)抗干擾能力，從而提高了識(shí)別率。 提出了用隱馬爾可夫和人工神經(jīng)網(wǎng)絡(luò)混合模型對(duì)語(yǔ)音信號(hào)進(jìn)行識(shí)別的方法，即有效的運(yùn)用了經(jīng)典HMM模型對(duì)動(dòng)態(tài)時(shí)間序列較強(qiáng)的建模能力，又充分利用了人工神經(jīng)網(wǎng)絡(luò)較強(qiáng)的分類(lèi)決策能力。實(shí)驗(yàn)證明，該模型適合于對(duì)噪聲背景下的語(yǔ)音進(jìn)行識(shí)別，同經(jīng)典的HMM模型相比較，具有更好的抗