基于DSP的语音识别系统的实现及分析

样本均考虑到0~9共10个数字的均匀分布，并且样本类型通过手工标定。

　　2.1.2 基于Matlab的语音识别系统的仿真及性能分析

　　首先对语音信号进行了预处理及时域分析：使用H（Z）=1-0.9375z-1 进行预加重处理；同时考虑语音信号的短时平稳性，进行分帧加窗---选用Hamming窗，帧长32ms，帧移是10ms.本文所设计系统为小词汇量的连续语音识别，考虑到训练时的工作量和运算量，选用音节作为基本识别单元。语音特征参数矢量采用12维MFCC、12维一阶MFCC以及每帧的短时归一化能量共25维构成。

　　本文构造了基于SVM 的连续语音识别系统。系统前端采用MFCC特征参数、并用遗传算法（GA）与矢量量化（VQ）混合算法对其进行聚类得到优化码本，然后将所得码本作为 SVM 模式训练和识别算法的输入，按照相应的准则最终得到识别的结果。语音识别系统流程图如图2所示。

　　图2 语音识别系统流程图

　　首先对不同初始种群数的语音识别系统性能进行了分析。表1给出了不同初始种群下的识别系统性能，从表中可以得出，在迭代次数为100、初始种群数为100时，种群最终平均适应度和正识率最高，之后随着初始种群数继续增加，平均适应度和正识率都在降低。综合考虑迭代所需时间和正识率，本文折衷采用初始种群数为80进行系统的仿真和实现。

　　表1 不同初始种群下的识别系统性能

　　种群数平均适应度迭代所需时间/ （s） 正识率系统设计中考虑到MFCC参数数据量太大，对模型训练和识别的时间有很大的影响，因此选择矢量量化对数据进行分类。矢量量化的关键问题是如何获取VQ码本及码本长度的确定，对此进行了仿真比较。

　　表2给出了不同VQ算法对正识率的影响比较。由表可以采用种群数为80，码本长度为16，核函数为 RBF，选用的改进遗传算法（GA）时系统的正识率要明显高于LBG和传统GA.LBG容易陷入局部最优，传统GA 具有全局搜索能力，但收敛速度慢。实验证明，改进的GA较好地解决了这两者的问题，收敛速度较快，正识率也有较为明显的提高。

　　表2 不同VQ算法对正识率的影响比较

　　在此基础上比较了传统GA和优化后GA对不同码本长度失真测度的影响，如图3所示。由图可知，在码本平均失真测度上，改进的GA比传统GA在整体上明显有所降低，即种群平均适应度更高。从图3还可以发现码本长度为32时失真测度达到最低，但相比码本长度为16时的值减少的并不太明显。 考虑到迭代时间问题，本文所采用的码本长度为16.

　　不同SVM 核函数对语音识别系统性能也会有影响。SVM分类器的目的是设计一个具有良好性能的分类超平面，以满足在高维特征空间中能通过这个分类超平面区分多类数据样本。

　　已有文献证明一对一分类器在边界距离上比一对多分类器更精确，故本文采用一对一方法对多类数据样本进行训练和识别。

　　图3 码本长度的失真测度对比

　　表3给出了针对非特定人的不同SVM 核函数的识别系统性能。表中显示，在取C =3，γ= 125（这里的25为特征参数维数）情况下，尽管核函数为RBF时所需的支持向量数要略高于核函数为Sigmoid时，但系统的正确识别率要明显高于采用其他核函数的系统，因此本文选取RBF作为核函数。

　　表3 不同SVM 核函数的识别系统性能

　　通过Matlab仿真分析了不同的矢量量化算法、SVM 核函数和初始种群数对语音识别系统性能产生的影响，为语音识别系统在DSP上的实现提供了参数和模型的选择。

　　2.2 语音识别系统在DSP上的实现

　　2.2.1 实验数据的建立

　　所有语音信号在安静的实验室环境下获得。基于DSP 平台的实时识别实验系统，语音信号通过麦克风输入，使用TLV320AIC23对模拟语音信号进行采样。语音采样频率为8kHz，采样量化精度为 16bit，双声道。考虑到Flash存储空间有限，本文选用自建语音库中900个样本中的40个样本作为训练样本建立模型参数。

　　2.2.2 语音识别系统的硬件结构

　　由于语音识别系统算法复杂度较高，同时考虑到实时性，本文选择TI公司的TMS320C6713DSK 作为硬件开发平台。

　　TMS320C6713DSK是一款低成本独立开发应用板，其最高工作时钟频率可以达到225MHz，且是高性能的浮点数字信号处理器。且带有TLV320AIC23 立体编解码器，8M 字节32bit的SDRAM，512k字节，8bit的非易失性Flash存储器。

　　本系统针对的是非特定人小词汇量连续语音的识别，硬件结构如图4所示，主要包括语音数据采集模块、数据传输模块、数据处理模块、程序数据存储及Flash引导装载模块、数据存储器RAM 模块及其他相关模块。

　　图4 系统硬件结构图

数据采集模块主要采用TLV320AIC23编解