語音口令識別的軟件系統(tǒng)分別由特征參數(shù)提取、語音模型庫和概率輸出*分三大模塊組成，如圖3所示：1)語音口令特征參數(shù)的提取，輸入不同的語音口令，首先要進行特征參數(shù)提取，采用Mel頻率參數(shù)作為CDHMM的建模參數(shù)，Mel頻率參數(shù)是根據人耳的聽覺特性將語音信號的頻譜轉化為基于Mel頻率的非線性頻譜，然后轉換到倒譜域上。2)在訓練階段，對不同的語音口令建立CDHMM模型。3)在口令識別階段，通過概率輸出*分對待測語音口令做出識別。

　　語音口令首先經過預處理，提取MFCC特征參數(shù)，然后建立此口令的CDHMM模型，把所有語音口令的模型放在模型庫中，在識別階段，通過概率輸出*分，取*分最大的一個作為識別出的口令。

　　2．2 CDHMM算法

　　HMM是一種雙重隨機過程，用概率統(tǒng)計的方法描述語音信號的產生及變化過程。HMM的模型參數(shù)為λ=(N，M，π，A，B)，其中，N為模型中馬爾克夫鏈的狀態(tài)數(shù)目；M為每個狀態(tài)對應的可能的觀察數(shù)目；π為初始狀態(tài)概率矢量，π=(π1，…，πN)；A為狀態(tài)轉移矩陣，A=(aij)N*N；B 為觀察概率矩陣，B=(bjk)N*N。

　　CDHMM的B不再是一個矩陣，而是一組觀察值概率密度函數(shù)，由M個連續(xù)高斯密度函數(shù)描述：

　　N(o，ujk，∑jk)為多維高斯概率密度函數(shù)，o是觀察矢量序列，即從語音中提取的特征矢量參數(shù)(o1，o2，…，ot)，t為觀察矢量序列的時間長度。ujk，∑jk分別為高斯分布的均值和方差參數(shù)，Cjk為高斯分布的權值，滿足約束條件CDHMM參數(shù)估計采用“分段K-平均法”。初始模型可以隨機選取，由是改進后的模型，再將作為初始值，重新估計。

　　基于“分段K-平均法”的CDHMM參數(shù)估計具體過程為：

　　(1)設置模型參數(shù)初始值λ=(π，A，B)。

　　(2)根據此λ用Viterbi算法將輸入的訓練語音數(shù)據劃分為最可能的狀態(tài)序列，利用狀態(tài)序列估計參數(shù)A。

　　(3)用分段K-平均法對B進行重新估計，即將第二步得到的每一種狀態(tài)的訓練語音數(shù)據搜集在一起并對其特征進行統(tǒng)計，從而得到B。

　　對于概率密度函數(shù)由若干正態(tài)分布函數(shù)線性相加的CDHMM系統(tǒng)，每個狀態(tài)θj(1≤j≤N)的概率密度函數(shù)bj(X)由K個正態(tài)分布函數(shù)線性相加而成，這樣可以把每一狀態(tài)語音幀分成K類，然后計算同一類中諸語音幀矢量X的均值矢量，方差矩陣∑jk和混合密度函數(shù)中各概率密度函數(shù)的權重系數(shù) Cjk。

　　(4)由(2)和(3)估計的CDHMM參數(shù)作為初值，利用重估公式對CDHMM參數(shù)進行重估，得到參數(shù)。

　　(5)利用(4)所得的計算，并與p(O／λ)相比較。如果差值小于預定的閾值或迭代次數(shù)超過預定的次數(shù)，即說明模型參數(shù)已經收斂，無需進行重估計算，可將作為模型參數(shù)輸出。反之，若差值超出閾值或迭代未到預定的次數(shù)，則將計算結果作為新的初值，重復進行下一次迭代。

　　3 結束語

　　論文建立了一種基于嵌入式系統(tǒng)的語音口令識別系統(tǒng)，并且對上升、下降等14條口令進行測試，每條語音先切除靜音，預加重，然后通過 Hamming窗分幀處理，幀長和幀移分別為20ms和10ms，然后對每一幀語音信號提取16MFCC+16AMFCC共32維參數(shù)作為特征矢量。該語音口令識別系統(tǒng)達到了實時的要求，可以使語音口令識別系統(tǒng)廣泛應用于便攜式設備中。

STM32/STM8

意法半導體/ST/STM