DTW算法原理分析与源码.pdfVIP

引言 随着时代的发展，人们越来越注重生活的品质。便捷时尚成为当代人们的追求目标。现在,语 音信号处理的技术趋于完善,语音识别技术的应用有两个发展方向:一个是大词汇量连续语音识别系 统,主要应用于计算机的听写输入等;另一个是小型化﹑便携式语音模块的应用,如手机的拨号﹑汽车 设备的语音控制等方面的应用,这些应用大多都需要使用硬件实现。 在此次课程设计中，我们引用现今较为成熟的语音信号处理技术，设计一个简单的非实时语 音信号识别系统。其主要技术指标是识别率和计算量,其关键是特征参数的提取和模式识别方法。测 试模板将预先录制好的0－9 的语音文件用按键方式输入，经过A/D 转换芯片0809后转化为数字信 号，在单片机AT89C52 中，先用端点检测将语音中有用的语音部分提取出来 （即将头部和尾部的静 音部分除掉），然后用LPC算法提取语音信号的特征参数，进行动态归整(DTW 算法)后与模板库 里面的标准语音作比较，最后将识别结果进行D/A 转化后播放出来。在本部分的设计中，则主要完 成语音识别的模式匹配算法部分的软件实现。 1 为什么要用DTW 算法 孤立词识别方案主要有： （1）采用动态规划 （DynamicProgramming）的方法。这是一种运算量较大，但技术上较简 单，正识率也较高的方法。其中的失真测度可以用欧氏距离(适于短时谱或倒谱参数)，也可以用对 数似然比距离(适于ＬＰＣ参数)．决策方法可用最近邻域准则． 2 ector uantization （）采用矢量量化 （Ｖ Ｑ ）的方法．它既可用于语音通信中的波形或参数 的压缩，也可用于语音识别．尤其有限状态矢量量化(FSVQJ）方法，对于语音识别更为有效。决策 方法一般用最小平均失真准则。 （3）采田隐马尔柯夫横型(HMM)的方法，该模型的参数既可以用离散概率分布函数，也可以 用最新的连续概率密度函数(如：正态高斯密度，高斯自回归密度等）。决策方法则用最大后验概率 准则． （4）采用混合技术的方法。例如：用矢量量化作为第一级识别(作为预处理，从而得出若干候 选的识别结果），然后，再用DTW 或HMM 方法做最后的识别，因此，可有ＶQ ／DTW 和ＶＱ／ HMM 等识别方法． , HMM DTW DTW 目前语音识别的匹配主要应用 和 两种算法。 算法由于没有一个有效地用统 计方法进行训练的框架，也不容易将低层和顶层的各种知识用到语音识别算法中，因此在解决大词 汇量、连续语音、非特定人语音识别问题时较之HMM 算法相形见绌。HMM 是一种用参数表示的, 用于描述随机过程统计特性的概率模型。而对于孤立词识别,HMM 算法和DTW 算法在相同条件下, 识别效果相差不大 又由于, DTW 算法本身既简单又有效，但HMM 算法要复杂得多。它需要在训 , , DTW 练阶段提供大量的语音数据通过反复计算才能得到参数模型而 算法的训练中几乎不需要额 外的计算。鉴于此,DTW 更适合本系统的要求。 2DTW 算法原理 在孤立词语音识别中，最为简单有效的方法是采用DTW （DynamicTimeWarping，动态时间 归整）算法，该算法基于动态规划 （DP）的思想，解决了发音长短不一的模板匹配问题，是语音识 别中出现较早、较为经典的一种算法。用于孤立词识别，DTW 算法与HMM 算法在训练阶段需要 提供大量的语音数据，通过反复计算才能得到模型参数，而DTW 算法的训练中几乎不需要额外的 计算。所以在孤立词语音识别中，DTW 算法仍然得到广泛的应用。 无论在训练和建立模板阶段还是在识别阶段，都先采用端点算法确定语音的起点和终点。已 存入模板库的各个词条称为参考模板，一个参考模板可表示为R {R（1），R（2），……，R（m），……， R （M）}，m 为训练语音帧的时序标号，m 1为起点语音帧，m M 为终点语音帧，因此M 为该模 板所包含的语音帧总数，R （m）为第m 帧的语音特征矢量。所要识别的一个输入词条语音称为测 试模板，可表示为T {T （1），T （2），……，T （n），……