语音识别技术在微机器人控制系统中的应用（2） 控制系统, 语音识别, 机器人, 技术, 通道

我是MT

对采集到的语音进行16kHz、12位量化，并对数字语音信号进行预加重：

　　L选择为320个点，用短时平均能量和平均过零率判断起始点，去除不必要的信息。

对数据进行FFT运算，得到能量谱，通过24通道的带通滤波输出X(k)，然后再通过DCT运算，提取12个MFCC系数和一阶二阶对数能量，提取38个参数可以使系统识别率得到提高。

为了进行连接词识别，需要由训练数据得到单个词条的模型。方法为：首先从连接词中分离出每个孤立的词条，然后再进行孤立词条的模型训练。对于本系统不定 长词条的情况，每个词条需要有一套初始的模型参数，然后按照分层构筑的HMM算法将所有词串分成孤立的词条。对每个词条进行参数的重估，判断是否收敛。如 果差异小于某个域值就判断为收敛；否则将得到的参数作为新的初始参数再进行重估，直到收敛。

2 实验结果

实验采 用30个人(15男，15女)的声音模型进行识别。首先由10人(5男，5女)对5个命令词(前进、后退、左移、右移、快速)分别进行初始数据训练，每人 每词训练10次，得到训练模板。然后再由这30人随机进行非特定人语音识别。采用6状态的HMM模型，高斯混合度选为14，得到图3的实验结果。

　　逐步增加高斯混合度数目，可以得到图4的实验结果。可见高斯混合度在18的时候达到较好的识别效果，混合度太高识别率反而会有所下降，这是由于嵌入式系统的资源有限，运算复杂度的增长超过了嵌入式设备的限制所造成的。

　　为了使微机器人能够正确地执行人的声音指令，本文将语音识别的过程嵌入微机器人的控制系统中，根据微机器人控制系统资源有限、对实时性要求高的 特点，使用增量K均值分段HMM的算法，简化计算节省了所需的硬件资源，实现了实时学习的语音识别，能方便地对微机器人进行控制。

本系统的识别率达到了较高的标准，又由于加入了智能化的用户选择部分，用户可随时选择学习新的语句，使其有更广阔的应用前景。
由于嵌入式平台受到处理速度、存储空间的限制，所以能够对微机器人发出的指令十分有限，识别率还有待提高。因此，研究语音识别算法，比较各种算法的优缺点，进而在嵌入式微机器人控制系统上实现大词汇量非特定人的语音识别，实现真正意义上的人机交流是今后进一步的工作。