一种聚焦式模糊分段算法及其在语音识别中的应用

基于各类语音模型的语音识别系统中，未知语音与参考模板的匹配度处在临界状态时，系统容易发生误识别。针对这类问题，本文提出了一种聚焦式模糊分段算法，对语音特征矢量进行模糊分段量化；并将其应用于DTW语音系统中，对语音信号进行训练和匹配。实验证明：该算法能够有效提高系统的识别精度，并降低模糊分界内的误识别率。     

采用模糊切分实现非特定人连续数字语音识别

选用倒谱特征、△倒谱特征、能量类特征等个语音信号特征，采用多码本和ＨＭＭ／ＶＱ技术实现非特定连接数字语音识别。在识别阶段，使用帧同步型网络搜索识别算法结合模糊切分实现非特定人连接数字语音识别。数字串识别准确率达到８１％以上，而数字识别准确率更高，达到９４．４％。     

一种改进的混合型语音识别方法

提出了一种改进的ＨＭＭ语音识别方法，其主要特点是引入了加权函数算法，以减少系统的误识率，实验结果表明，这种识别方法不仅能提高系统的识别率，而且所需训练样本少。     

SFCM模糊聚类在语音矢量量化中的应用

提出了一种模糊聚类分析算法ＳＦＣＭ,并将其用于语音特征的矢量量化,最终形成码本尺寸为２５６的码本。用ＳＦＣＭ算法得到的码本分布合理,没有空类,采用此码本的语音识别实验表明了这种量化方法对语音识别的有效性。     

优化的竞争算法在语音识别中的应用

在传统的ＨＭＭ语音识别方法的基础上,提出了两种改进的竞争神经网络算法,分别用于语音识别的两个不同方面．首先提出了一种基于选择机制的新的竞争算法,这种算法可以有目的性地避免局部最优,而且可以克服模拟退火算法（ＳＡ）的随机性．然后,针对分类器的特性,对竞争算法进行改进,把安全拒识措施结合到竞争算法中,提出了一种新颖的神经网络——并行、自组织、层次神经网（ＰＳＨＮＮ）．实验结果表明,基于竞争神经网络算法的语音识别系统比传统的语音识别系统在识别能力和识别速度上都有明显提高,从而证明了与竞争神经网络算法结合的语音识别方法是可行的,而且具有良好的发展和应用前景．     

强噪声环境下汉语语音识别的模糊分类算法

论述了强背景噪声环境下利用模糊分类算法对大词汇量的汉语语音进行了分类识别，根据噪声的汉语语音特点，采用有边界的交叉分类和无边界的模糊分类相结合的措施，较成功地解决了强噪声环境下的汉语语音分类。     

一种时间规整算法在神经网络语音识别中的应用

提出一种新的网络结构,这种网络能够很好地解决神经网络语音识别中的时间规整问题。该网络从输入语音信号的特征矢量序列中提取一组固定数目的特征矢量,然后将这组特征矢量馈入神经网络分类器进行识别。和其他的神经网络语音识别方法相比较,用这种网络进行前端处理,可以缩短后端神经网络分类器的训练和识别时间,简化分类器的网络结构并保持较高的识别率。     

一种新的鉴别汉语语音信号起止点的有效算法

提出短时能频值（ＥＦＶ）的新概念，设计了用短时能频值的参量来估计语音起止点的新的有效算法，提高了语音信号与背景噪声的分辨力。运用基于短时能频值ＥＦＶ估计语音起止点的算法，研究汉语普通话音素的区别特征，上机计算分析证明了ＥＦＶ门限能够很好地从噪声中分辨出语音信号，有着较好的稳定性和较高的语音－噪声分辨力。     

LM算法在神经网络语音识别中的应用

输入语音信号中声音的特征提取和分类识别可以通过多层前馈神经网络大量学习实现,但基于误差反向传播的前馈神经网络(BP神经网络)标准算法收敛速度慢,在训练中效率不高。采用一种快速稳定的Levenberg-Marquardt算法进行语音识别,通过对语音信号的预处理、特征提取和网络结果优化,建立了网络训练样本集,用MATLAB进行了仿真,仿真结果表明,该算法优于传统的BP算法,具有更好的收敛性。     

一种清浊音区分和基音轮廓提取算法

提出了一种新的清/浊音区分算法——能量加权过零率算法,实验表明这种算法能快速准确地区分清/浊音,算法简捷;提出了一种频域预报——时域检测的基音轮廓提取算法,该算法综合了频域法和时域法的优点,具有快速准确的特点.     

码激励线性预测快速算法

对语音编码的两大类即波形编码和参量编码的优缺点进行了分析,重点对码激励线性预测进行了研究.首先提出了感觉加权滤波器的等效变换方法,然后提出了一种码本部分重叠分割法,计算机模拟实验证明,采用上述方法,可以得到很好的合成音质,并使运算速度显著提高。     

Mallat算法用于语音信号分析与压缩

给出了一种基于小波变换的汉语语音信号预处理的方法。通过小波变换中的Ｍａｌｌａｔ算法来分解汉语语音信号，能够消除信号冗余度，提高数据压缩比，而不影响语音信号的真实效果。同时还给出了小波变换原理和Ｍａｌｌａｔ算法以及实验结果。     

用模糊选择法提高进化算法的效率

提出了进化算法中选择优良个体的一种方法－模糊选择法。这种方法通过对个体的适应度进行模糊化处理，实现对优良个体选择。基于模糊选择法的进化算法应用于曲线回归和极值求解。结果表明，该方法是一种有效的优良个体的选择方法，它能显著地提高进化算法的效率。     

齐次有限状态Fuzzy算法系统的控制问题

由方程表示的Ｆｕｚｚｙ系统称为Ｆｕｚｚｙ算法系统［７］。本文首先引入了一个较弱的Ｆｕｚｚｒ状态差异度量的定义，以此度量为基础定义了Ｆｕｚｚｙ状态序列的──收敛概念，进而讨论了齐次有限状态Ｆｕｚｚｙ算法系统的控制问题。     

基于FVQ和HMM模糊训练的语音识别方法

本文提出了一种基于模糊矢量量化（ＦＶＱ）和隐马尔柯夫模型（ＨＭＭ）模糊训练的语音识别新方法．利用模糊矢量量化替代了传统方法中的矢量量化，语音特征参数序列经过模糊矢量量化后得到模糊观察符号序列．在此基础上提取出一个反映训练样本总体随机变化特性的模糊观察符号序列，然后用它对该音节的ＨＭＭ进行一次性全局训练，训练算法经传统的Ｂａｕｍ－Ｗｅｌｃｈ算法改进得到．经十个汉语数字的对比实验表明，该训练算法大大提高了系统的训练速度，模糊矢量量化与传统的矢量量化相比，不仅提高了隐马尔柯夫模型的鲁棒性，进而提高了系统的识别率，而且在语音训练数据不充足的情况下，也能得到很好的识别性能．     

求解一类模糊线性方程系统的迭代算法

主要讨论了模糊线性方程组X=AX+U解的状态和它的重复算法,其中A为n×n实数矩阵,未知量X和常量U都是由n个模糊数组成的向量,并且其加法和数量乘法均由Zadeh的扩展原理定义.在模糊向量引入距离之后证明了如果‖A‖∞<1,该方程组就有唯一1组解.最后又引入了简单重复序列和连续重复序列并给出了其收敛性和误差估计.     

语音识别中基于模糊聚类分析的参数聚类

为减少语音识别中声学模型的参数量，提高参数训练的鲁棒性，基于声学决策树结构，提出利用模糊聚类分析方法对模型参数聚类，包括高斯聚类和方差共享．对大词汇量汉语连续语音识别的实验结果表明：高斯模糊聚类使高斯数减少25％时，识别率提高了0．15％．进一步做模糊方差共享，当方差减少到初始模型的24％，与同样参数量的未进行聚类的模型相比，误识率下降了3．01％，证明了模糊聚类分析在语音参数聚类中的有效性．