微波EDA网,见证研发工程师的成长!
首页 > 测试测量 > 测试测量技术文库 > 支持向量机语音识别算法在OMAP5912上的移植

支持向量机语音识别算法在OMAP5912上的移植

时间:07-23 来源:电子设计工程 点击:

2.4.4 拷贝根文件系统

拷贝根文件系统到/data/rootfs2.6目录下,这时就可以启动minicom,作为虚拟终端,可以通过它来操作开发板。

2.5 修改开发板启动项

bootargs参数设置Linux系统启动时挂载在NOR Flash上的JFFS2根文件系统。挂载宿主机上的网络文件系统,则bootargs参数应设置
setenv bootargs=console=ttyS0,115200n8 noinitrd rw ip=192.168.0.158 root=/dev/nfs nfsroot=192.168.0.204:/data/rootfs2.6.nolock mem=62M
#sayenv保存设置后重启u-boot,之后将顺利进入到开发板,调试应用程序。

3 实验及结果分析

基于VC++6.0编程实现一种多类分类SVMs算法,PC机环境为Ubuntu version 2.6.27,开发板为Omap5912的ARM926ej-s,其环境为Lin-ux version 2.6.18;Boot Loader采用u-boot version 1.1.6;交叉编译工具链arm-linux-gcc version3.4.1。
采用16个人分别对50个词的孤立词发音,在不同信噪比下(15、20、25、30 dB和无噪音)得到的语音数据作为样本,采用由MFCC特征提取算法得到的特征参数作为识别网络的输入。语音信号采样率为11.025 kHz,帧长N=256点,帧移M=128点。词汇量分别为10、20、30、40和50个词。训练样本由9人每人对每词在15、20、25、30 dB、无噪音下发音3次得到.测试样本由另外7人在相应SNR下对每词发音3次得到。识别算法采用RBF核函数的SVM算法,采用交叉验证和网格搜索法进行核参数选择并建立模型,对测试样本进行分类识别。核函数参数取最优为(c,y)=(32.0,O.000 122 070 312 5)。实验结果见表l所示,识别率均在95%以上。表1中同时列出同样条件下使用HMM识别网络的识别结果。


HMM模型是典型的语音识别模型,它是目前语音识别效果最好的少数几种方法之一。在相同特征参数下将SVM与HMM模型进行对比,从实验结果看出:1)SVM比HMM模型具有更高的识别率;2)比较相同信噪比和词汇量下的测试精度,可发现HMM模型的测试精度有明显下降,而SVM的测试结果下降较少,说明SVM比HMM模型具有更强推广性。

4 结束语

提出一种基于SVM的0MAP5912非特定人嵌入式语音识别系统的实现方法。在搭建的开发环境下运用SVM算法巾的"一对一"方法进行语音识别,获得良好结果。通过实验可以得出,对中小词汇量采用MFCC特征参数,"一对一"SVM作为后端识别方法可以得到较好的识别结果,比传统的HMM模型有明显优势。同时SVM算法作为应用程序集成到0MAP5912嵌入式系统里,存储量需求小,能够满足实用要求。

Copyright © 2017-2020 微波EDA网 版权所有

网站地图

Top