基于Matlab的说话人识别

目录

摘要 .................................................................................................................................. I Abstract .................................................................................................................................. I I 第一章引言 (1)

1.1 研究背景及意义 (1)

1.2 优势及应用前景 (1)

1.3 国内外研究现状 (1)

第二章说话人识别的基本原理 (3)

2.1 说话人识别基本知识 (3)

2.1.1 语音的发声机理 (3)

2.1.2 清音和浊音 (3)

2.1.3 语音信号模型 (3)

2.1.4 语音识别基本过程 (4)

2.2 预处理模块 (4)

2.2.1 采样 (4)

2.2.2 量化 (5)

2.2.3 预加重 (5)

2.2.4 加窗 (5)

2.3 特征提取模块 (6)

2.3.1 短时平均能量分析 (6)

2.3.2 短时平均幅度分析 (7)

2.3.3 短时过零率分析 (8)

2.3.4 短时自相关分析 (8)

2.3.5 LPC倒谱系数（LPCC） (9)

2.3.6 Mel频率倒谱系数（MFCC） (9)

2.4 训练和识别模块 (10)

2.4.1 矢量量化模型(VQ) (10)

2.4.2 隐马尔可夫模型（HMM） (11)

2.4.3 人工神经网络模型（ANN） (12)

2.4.4 HMM和ANN的混合模型 (13)

第三章基于Matlab的说话人识别 (14)

3.1 说话人识别系统平台介绍 (14)

3.2 语音采集模板(Speech Recording Plane) (14)

3.3 预处理模板(V oice Preprocessing Plane) (15)

3.4 特征提取模板(Feature Extraction Plane) (17)

3.5 训练识别模板(Speech Recognition Plane) (18)

第四章总结与展望 (25)

4.1 总结 (25)

4.2 展望 (25)

致谢 (27)

参考文献 (28)

附录 (29)

摘要

说话是人类相互沟通交流最方便、最快捷的一种方式，世界上每一个说话人都拥有自己特定的语音，正如每个人的指纹一样，都是绝无仅有的。说话人识别应用广泛，现已应用到通信、消费电子产品等各个领域。本文将把语音进行数字化传输、存储、然后进行识别等。说话人识别系统主要包括预处理、特征提取、训练和识别四个模块。其中预处理和特征提取尤为重要。有许多的预处理方法，对语音信号的采样和量化是第一，然后预加重和加窗。特征提取是指提取语音信号的重要特征的过程。信号的时域分析包括信号的短时平均能量和短时过零率等。频域分析可以采用LPC倒谱系数法和Mel倒谱系数法。为了训练得到模版语音信号，可以利用矢量量化（VQ）、隐马尔可夫模型（HMM）、BP神经网络（ANN）等对说话人的语音信号进行训练识别。

说话人识别实现过程中的算法是多种多样的。本文将运用MATLAB仿真工具强大的编程、图形开发功能和数学计算能力。本文将把BP神经网络作为训练识别的方法，利用MFCC(MEL频率倒谱系数)产生的语音信号特征向量，最后运用十字交叉法，建立起一个说话人识别系统。结合MATLAB平台中的GUI设计预处理、特征提取、训练等几个模板，最后利用神经网络的模式识别，真正实现说话人的识别。

关键词：语音识别MATLAB 模式识别倒谱系数

Abstract

Talking is a way of human communication, the most convenient and quick communication, each of the speakers all over the world have their own specific speech, as everyone's fingerprints, are unique. Speaker recognition is widely used in various fields, have been applied to communications, consumer electronic products. This paper will make speech digital transmission, storage, and then identify etc.. The speaker recognition system includes preprocessing, feature extraction, training and recognition of four modules. The preprocessing and feature extraction is very important. There are many preprocessing methods of sampling and quantization, the speech signal is first, and then the pre emphasis and the window. Feature extraction is the process to extract important features of speech signal. Signal analysis in time domain signal short-time average energy and short-time zero crossing rate. Frequency domain analysis can be used LPC cepstrum coefficient and Mel cepstrum coefficient method. In order to get the template training speech signal, can use vector quantization (VQ), hidden Markov model (HMM), BP neural network (ANN) training recognition on the speaker's voice signal.

Speaker recognition in the process of realizing the algorithm is varied. This paper will use the MATLAB simulation tool powerful programming, graphical function and mathematical computation ability. This paper will use the BP neural network as a method of training recognition, using MFCC (MEL frequency cepstrum coefficient) speech signal feature vector is generated, finally using cross method, set up a speaker recognition system. Combined with the MATLAB platform GUI design in the preprocessing, feature extraction, training and several other template, finally using pattern recognition, neural network, realizing the speaker recognition.

Keywords: Speech recognition MATLAB Pattern recognition Cepstral coefficients

第一章引言

1.1 研究背景及意义

说话人识别技术也被称之为声纹识别技术，它属于一种生物的识别技术。说话人识别技术拥有方便，经济，准确等特点，广受世人瞩目。

最早的语言研究被称为“口耳之学”。因为当时没有可供研究的仪器，只能通过耳听口模仿来进行研究。

最早的语音信号处理研究起源于1876年，电话的发明者贝尔首次使用声电、电声转换技术实现了语音的远距离传输[6]。

语音信号经过语音合成，语音编码和语音识别三个发展过程。语音识别的实验追溯到20世纪50年代贝尔实验室的Audry系统，此系统仅仅只能识别10个英文数字。又经过很长时间的研究发展，现在我们已经完全进入语音识别时代。

1.2 优势及应用前景

生物认证技术有：虹膜识别，掌纹识别，指纹识别和声纹识别（语音识别）。声纹识别有不丢失，没有记忆和使用方便等独特的优点[1]。

对于虹膜识别技术，虽然准确性很高，但是实现困难，成本较高，所以不能普遍使用。指纹识别虽然是一种使用比较普遍的识别技术，成本也不算太高，但是用户不易接受，指纹往往和犯罪牵扯在一起。还有一些生物认证技术也因为实现难度过大而不被关注。但是说话人识别技术只需简单的麦克风，一台普通计算机就可以实现。和其他生物识别技术进行对比，说话人识别系统还具有使用方便，低成本，易实现等优点。

说话人识别技术应用前景十分广泛，可在各种安全认证身份的领域发挥重要作用。随着数字化时代的急速发展，数字音频数据随处可见，说话人识别技术不仅在语音检索和信息检索中投入使用，而且不少手机已经加入了语音拨号，语音书写短信，语音打开应用程序等等功能。

1.3 国内外研究现状

20世纪60年代末，世界掀起了一股语音识别的研究热潮。这期间研究出的重要成果包括动态规划（DP）和线性预测编码（LPC）技术等。

语音识别技术取得突破性进展是在20世纪70年代的时候。LPC技术得到了进一步发展，特别是其中的VQ和HMM系统理论。直到今天，这两种理论依旧是研究语

音识别最有效，最常用的方法。

20世纪80年代，语音识别迎来了一股新新力量。人们重新开始了人工神经网络（ANN）研究，并有效地将ANN和HMM在同一语音识别中结合使用，使连续语音识别问题变得更加容易。近年来对于人工神经网络(ANN)的研究不断发展，关于语音信号处理的各项内容研究是促使其迅速发展的重要原因之一。同时，它的许多成就体现在语音信号处理技术。

人工神经网络（ANN）以其简单灵活有效的特点，逐渐成为实现语音识别技术的新宠。它将说话人识别技术的探究带入了一个新的高度。

第二章 说话人识别的基本原理

2.1 说话人识别基本知识

2.1.1 语音的发声机理

空气从肺排入喉咙，然后通过声带进入通道，最后由口辐射声波，从而形成了声音。声带以左负责产生激励；声带以右负责的是：“辐射系统”和“声道系统”。之所以存在不同性质的语音，是因为其激励和辐射不同[6]。

2.1.2 清音和浊音

浊音与清音都统称为音素，而音素则是构成语音信号的基本单元。

发浊音时，空气流经紧绷的声带，声带产生振动，所以声带会周期性的打开、闭合。如果声带的长度短，厚度薄，张力就很大，听起来的的音调就越高，所以浊音的基音频率就越高。

发清音时，空气流经声带，声带是张开的，则由肺排出的空气将不受防碍的经过声门。空气经过声门后会发生两种情况，一种是形成摩擦音，另一种情况则形成爆破音。这两种情况都统称为清音[6]。

2.1.3 语音信号模型

由语音的发生机理可知，语音的生成包括三个部分：声门负责产生激励，用()z G 表示；声道负责调制，用()z V 表示；嘴唇负责产生辐射，用()z R 表示。语音信号生成模型如下图： 激励

（声门）调制（声道）幅射语音（嘴唇）

图2.1 语音信号生成模型图

所以语音生成系统函数可以表示为：

()()()()z z z z R V G H = （2.1）

其中，激励函数：

()()21-c -1-z e -11z -1z T A G ?=ν （2.2）

调制函数：

()∑∑=-=--=N

k k

k R

r i

z a z V 10

r 1b z （2.3） 辐射函数：

()()

101z --=z R R （2.4） 2.1.4 语音识别基本过程

说话人识别即提取说话人语音中特征，然后将此特征作为确定说话人身份的过程。因此，需要找出每一个已知说话人发音中存在的差异，这些差异包括声道差异，发音习惯差异等等。

对于如何找出这些差异，确定说话人的身份，需要解决以下问题]6[：

（1）对说话人的语音进行预处理；

（2）提取说话人语音中的特征；

（3）用提取出的这些特征为指定说话人建立一个只属于此说话人的语音特征库；

（4）用一段未知语音与新建立的语料库进行对比，从而得出结论：此未知语音是否属于已知说话人。

为了解决以上问题，说话人识别系统一般进行以下四个模块的过程：预处理模块、特征提取模块，训练模块与识别模块。

2.2 预处理模块

2.2.1 采样

为了对语音数据进行数字处理，首先必须对模拟信号数字化。在数学上，声波可以表达为变量t （时间）的连续函数，用）（t s a 表示。对模拟信号）

（t s a 进行周期采样，得到数字信号序列)(s )(s nT n a =，)(s n 就是离散信号或称之为数字信号。

对于这样的采样过程，最令人关注的问题就是采样之后的数字信号知否能准确的表示原始模拟信号，并且是全是模拟信号的唯一表示。经过调查研究，只要满足采样定理，就能保证已知模拟信号的准确性。

采样定理[1]：如果信号）（t s a 的傅里叶变换）

（Ωj s a 是带宽受限，即当N F π2≥Ω(N F 是奈奎斯特频率)时，0j s a =Ω）

（，则当抽样周期N

F T 21<时，用等间隔的抽样序列）

（T n s a 能够唯一地恢复出原始信号）（t s a 。

2.2.2 量化

在上节采样的过程当中，语音信号必定会产生一系列的振幅片段。为了把语音进行完整传输，存储等，必需把这些振幅片段进行量化，然后组成一个有限的振幅片段集。

量化过程只需两步]1[：首先必须产生量化幅度{Q[x(n)]}(n)}x {= 的量化级，其次

是用码字c(n)表示每个量化后采样值的码化级。量化过程一般有两种实现方法：有些包含了过量的带宽，可以使用非线性量化加以缩减；在量化之前先压缩或扩张信号，然后均匀量化。这两种方法可以有效地实现减少码字，并且可以表示声音振幅的影响。

量化的过程中误差的产生是不可避免的[1]。量化之后的信号值和原始的信号值之间的差被称为量化误差，也可称为量化噪声。信号的量化信噪比是指信号与量化噪声之间的功率比。量化信噪比可表示为：

)lg(2077.402.6)lg(10max 22x e

x X B SNR δδδ-+== （2.5） 其中，2x δ代表输入语音信号的方差，max 2X 代表信号的峰值，B 代表量化分辨率，2e δ代表噪声的方差。

2.2.3 预加重

由于发生过程中声门的激励与鼻辐射会产生能量的损耗，语音信号的平均功率谱受到影响。这使得在低频和中频的语音信号能量比在高频率处高得多。这样的现象不利于语音信号的分析和处理，所以预加重的目的在于增强信号的高频部分。

据了解，能量的损耗存在以下特点：当语音信号的频率加大2倍时，它的功率谱2

)z (H 约下降B d 6。因此，我们可以采用oct B /d 6（一阶）来增强高频部分，以实现预加重的目的。语音信号预加重后，高频部分的能量的振幅和频率与低中频部分基本一致。

2.2.4 加窗

语音信号拥有短时平稳性，所以在短时段内（20~30ms 的时间段内），语音信号的频域特征和少许物理特征基本保持稳定。为语音信号加窗就是利用它的这一重要特性。加窗即是对语音信号进行分帧。通常使用一个长度固定的窗函数来选取语音信号的某一段，每一段称为一个帧。

目前常用的窗函数有两种：

1．矩形窗，窗函数如下：

N ≤≤=n 0,1

0{)n (w ，其他 （2.6）

2．哈明窗(Hamming 窗)，窗函数如下：

()??

???≤≤??? ??---=其他,00,112cos 46.054.0)(N n L m n w π （2.7） 3．汉宁窗（Hanning 窗），窗函数如下：

1-N n ),01-N n 20.5cos(-0.50,{w(n)≤≤=π其他 （2.8）

帧的长度表示为N （单位是ms ），一般帧长取10~20ms 。分帧既可重叠，也

可连续。在分割语音信号时，前一帧和后一帧重叠的部分叫作帧移。为了尽可能的使语音信号在变化的过程中存在信息丢失，在滑动窗函数分帧时必须交叠，一般交叠部分为帧长的一半，所以帧移与帧长的比值通常取

2

1。 2.3 特征提取模块

特征提取是将通过加窗后获得的语音分析帧进行时频域的变化，用一些特定

的参数来表示。说话人语音信号的特征采用每一帧语音所特有的参数所构成的参数集合来表示。所以对于说话人的识别，特征向量的提取是至关重要的。

经过不断的实验研究，能够表示时域特征的参数有：短时平均能量、短时平

均幅度和短时过零率等。语音信号的特征不仅表现在时域上，还表现在频域上。频域上的特征有：线性预测系数（LPC ）、LP 倒谱系数（LPCC ）、Mel 频率倒谱系数（MFCC ）等。下面将对这些特征参数进行一一说明。

2.3.1 短时平均能量分析

对于一个语音信号，它的能量随时间的变化。所以，一个已知语音信号在时

刻n 的短时平均能量n E 表达式如下[2]：

()()[]()()[]∑∑+-=∞-∞=-=-=n

N n m m n m n w m x m n w m x E 122 （2.9） 其中，N 表示窗长，)(x n 表示输入语音信号，)(n ω表示窗函数，

特殊地，当窗函数为矩形窗时，n E 表示如下：

()∑-==

n

N n m m x E )1(-2

n （2.10） 从另一个角度来解释，令： )(h 2n n ω= （2.11）

)(h n 是与)(n ω有关的滤波器，则n E 还可以表示为：

)(*)()()(22n n h n x m n h m x E m =-=

∑+∞-∞= （2.12）

上式可以理解为：已知语音信号的平方值，经过一个冲激函数为)(h n 的滤波

器，最后输出得到由短时能量构成的时间序列，如下图表示]2[：

图2.2 短时平均能量流程图

所以，冲激函数)(h n 的选取，也可以说窗函数的选取直接关系着短时平均能

量的计算。窗长N 的选择则成为重点。N 不能选得过大，也不能选的过小。选得过大，则平滑作用很大，使得短时平均能量大致没有变化，没法反应语音信号的时域变化特征；选得过小，平滑力度又不够，以至于语音振幅时变的很多小特点被保存了下来，因此看不出振幅包络的改变情况。一般N 的选择与语音信号的基因周期有关系。通常语音信号的基因频率在50~500Hz 的范围内，从而确定了帧长（一般去10~20ms ）。

短时平均能量能够作为区别清音与浊音的特征参数，因为试验研究表明，清

音的短时平均能量明显低于浊音。还可以利用短时平均能量区分一段语音信号的有声段和无声段等。

2.3.2 短时平均幅度分析

对于短时平均能量，由于其需要计算语音信号的平方，这不仅使计算变得复

杂还使得高信号和低信号之间的差距增大。因此将采用短时平均幅度n M 来衡量语音能量幅度的变化：

()()())(n 1-m n x m n w m x M n

N n m w m n -=-=

∑∑+=+∞-∞=ω （2.13） 上式可以理解为：语音信号的各个样点值的绝对值，通过一个)(n ω的线性滤

波器，最后输出得到由短时平均幅度构成的时间序列。

所以短时平均幅度继承了短时平均能量的所有优点和用途。

2.3.3 短时过零率分析

短时平均过零率作为语音信号在时域研究中的一种重要特性参数。它指每一

帧内语音信号经过零值的次数。单位时间内经过零值的次数称为过零率。某段时间内过零率的平均值称为平均过零率。语音信号不是简单的正弦信号，所以平均过零率的表示方法就不那么简单。但由于语音信号是一种短时平稳信号，利用短时平均过零率能在某种程度上反应语音信号的频谱特性。短时平均过零率n Z 表示如下：

()[]()[]())

(*)]1(sgn[)]([sgn 1sgn sgn n n x n x m n w m x m x Z m n ω--=---=

∑∞

-∞= （2.14） 其中，()n ω为窗函数，[]sgn 为符号函数，其公式如下：

()()0

,10,1s gn[x(n)]{≥<-=n x n x （2.15）

短时平均过零率同样能够应用于清音与浊音的辨别，也能应用在语音信号的

端点检测。但是仅仅使用过零率进行端点检测有一定难度，往往将短时平均能量与其结合起来进行检测使用。

2.3.4 短时自相关分析

自相关函数的功能在于权衡语音信号本身时间函数的相似性。由于浊音和清

音的发音机理不同，因此二者在短时平均能量，短时平均幅度，短时平均过零率上都存在显著差异。这些差异使得它们在时间波形上也有很大不同。清音的时间波形杂乱无章，没有规律，并且波形间的相似性较差；浊音则恰好相反，它的时间波形表现出规律的周期性，波形间的相似性较好。所以能够利用短时自相关函数来分辨浊音和清音。语音信号的短时自相关函数n R 表示如下：

()()()()m -n h k -k -m x m x k R m n ∑+∞

∞==

（2.16） 其中()()k n n h k +=ωω。

式（2.16）表示，语音信号的自相关函数)(n k R 可由信号)()(x k n x n -通过一

个冲激函数)(h k n 的滤波器组成。

通过实验，可知浊音与清音的短时自相关函数存在以下特征：

（1）浊音信号的短时自相关函数具有一定的周期性；

（2）清音信号的短时自相关函数杂乱无章，不存在周期性，其性质与噪声

信号类似；

（3）窗函数影响着自相关函数，窗长直接影响自相关函数。

2.3.5 LPC 倒谱系数（LPCC ）

倒谱系数是指语音信号z 变换的对数模函数的逆z 变换。通常先求信号的傅里叶变换，然后区模的对数，再求傅里叶逆变换。

使已知语音的采样值与线性预测采样值之间达到最小均方差误差，便可得出线性预测系数LPC 。LPC 是一种参数谱估计方法，并且它的函数的频率响应)e (j ωH 反应了声道的频率响应和被分析语音信号的频谱包络。因此，可对)H(e log j ω做傅里叶变换得到倒谱系数。，这样的倒谱系数是一种良好的表述信号的参数。

LPC 倒谱系数的优点在于：比较完整地去除了语音信号产生的激励信息，LPCC 系数的计算量较小，易实现，表述元音的能力强。往往只需几个倒谱系数就可以准确的表述语音信号的共振峰特性。弊端有：表述辅音的能力不好，抗噪声性能也不好。LPCC 也继承了LPC 的缺点，LPC 中包含语音信号高频部分的大部分噪声特征，这会影响系统的性能。

2.3.6 Mel 频率倒谱系数（MFCC ）

MFCC 倒谱系数数拥有良好的辨别能力和抗噪声能力，但它的计算量很大，计算精度要求很高。Mel 频率倒谱系数是频率轴的信号频谱转换为Mel 尺度变换的倒谱域，然后获得倒谱系数。

由于人类对约1000Hz 以上的声响频率范围的感知不遵循线性关系，而是遵循在对数频率坐标上的近似线性关系。所以， Mel 频率的计算公式可以表示为：

()700

/1log 2596f f M el +?= （2.17） MFCC 参数的计算过程如下：

（1）对计算已知语音信号的傅里叶变换获得其频谱；

（2）对频谱的幅度求平方，得到能量谱；

（3）使用一组三角滤波器对（2）中得到的能量谱进行带通滤波，滤波器的数量一般和临界带数一致。假设滤波器的个数为M ,滤波后得到的输出为()k X ，其中

M ，， 2,1k =；

（4）对滤波后的输出取对数，然后做M 2点的傅里叶逆变换，并进行反离散余弦变换，得到的值即为MFCC ：

()()[]L n M n k k X C M

n ,,2,1,/5.0cos log 1k =-=∑=π （2.18）

其中，MFCC 系数的个数L 一般取12～16左右。

2.4 训练和识别模块

语音识别中的训练模块是把语音信号中提取的特征参数组成一个模型库，这个模型库的形成过程就是训练。而一个模型库的形成则需要几十甚至上百个特征参数。

语音识别的基本原理：将未知语音与训练获得模板集合进行对比，找出模板集合和未知语音匹配最优的集合。通过此模板识别出位置语音。

一般来说语音识别有以下几种方法：基于声道模型与语音知识的方法、模式匹配法、统计模型法与人工神经网络法。其中后三种方法使用比较广泛，其中实现模式匹配的方法有：矢量量化（VQ ）和动态时间规整（DTW ）；实现统计模型法最常用的方法是隐马尔科夫模型（HMM ）；常用的人工神经网络法有：反向传播（BP ）网络、径向基函数网络（RBF ）和小波网络。

2.4.1 矢量量化模型(VQ)

在语音识别研究中，矢量量化(Vector Quantization ，VQ)是一种极其重要的语音信号压缩和识别算法，其具有良好模型训练和模式匹配性能。矢量量化的关键在于是否设计了一个好码本，任何一个说话人的语音特征在特征空间中都会形成一个具体的量化码书。识别说话人时只需要求得说话人特征与量化码本之间的距离，以最小距离作为说话人识别的准则。所以量化码本的设计直接关系着量化质量。目前最常用最直接的生成码本的算法是LGB 算法。LGB 算法是一个递推的过程，其具体步骤如下：

（1）设置量化码本与迭代所需要的参数：假定存储量化码本所需的全部输入矢量参数X 的集合为S ；设定码本的大小为M ；设定最大迭代次数是L ；设定畸变改进阈值为δ；

（2）设置M 个码字的初始化值：00201,M Y Y Y ，，;设置畸变初值()∞=0D ；设置迭

代初值：1m =；

（3）根据最邻近规则将S 划分为了M 个集合()()()m m 2m 1M S S S ，，， ，当()m l S X ∈时，

有下列不等式成立：

()()()()

1-m i 1-m l ,d Y X,d Y X ≤ （2.19） 其中，i ?，l i ≠，()Y X ,d 表示X 与Y 之间的欧氏距离。

（4）计算总畸变()m D ：

()(

)()()∑∑∈==m l 1-m l 1l m ,d S X M Y X D （2.20）

（5）计算畸变改进量()m D ?的相对值()m δ：

()()()()()()m m 1-m m m -m D

D D D D =?=δ （2.21） （6）计算新码字()()()m m 2m 1M Y L Y Y ，，，：

()()∑∈=m i i m i 1

S X X N Y （2.22）

（7）判定()δδ

（8）停止迭代，输出训练码本的码字()()()m m 2m 1M Y L Y Y ，，，和总畸变量()m D ；

（9）判断m

2.4.2 隐马尔可夫模型（HMM ）

隐马尔可夫模型是目前使用最普遍的一种模型。每个说话人的语音特征是关于时间的函数，用改变状态间的转换来描述声音的特征，这是隐马尔可夫模型。建立一个隐马尔可夫模型具体步骤如下：

（1）设置总状态数N ；

（2）设置从状态i 到状态j 的转移概率为ij a 。则用N N ?矩阵[]

ij a =A 表示HMM 中状态之间的转移，称为状态转移矩阵；

（3）设()x b j 是状态j 时的特征向量x 的概率密度，则有： ()N R ，，， 2,1j 1dx x b p j ==? （2.23）

其中p R 是p 维特征向量的特征空间；

(4)特征在状态i 的初始值设为i π，()T

N ππππ，，， 21=，称之为初始概率向量，则有：11i i =∑=N

π；各个状态时的概率密度函数可由一组()x b j 的参数B 确定。

上述的HMM 称为连续HMM 模型。如果用矢量量化的方式对特征参数进行量化，特征向量只能用码本中固定的码字来表示。对于无状态j 时特征的概率密度，只有状

态j 时特征为码本中的第k 个码字的概率jk b ，有下式成立：

N ，，， 2,1j 1b

k jk ==∑ （2.24）

其中参数B 是一个K N ?的矩阵,[]jk b =B ，这样的HMM 称为离散HMM 模型。 离散HMM 中最关键的问题是训练问题，解决这个问题最有效的方法是Baum-Welch 算法和Viterbi 算法。Viterbi 算法和Baum-Welch 算法的思想是一致的，但Viterbi 算法是Baum-Welch 算法的改进。

经过t 时刻，用状态i 到状态j 的几率来表示训练得到信号的特性，输出时从状态i 到状态j 的转移发生次数的期望值，由此可以估计ij a ，()k b j 。Viterbi 算法的公式可以表示如下：

()j 1t q i t q 10j i t {θθν=+==，，，其他， （2.25）

2.4.3 人工神经网络模型（ANN ）

ANN 的具体内容是模仿人类大脑的模型，将听觉体系中人类神经机制的信息处理系统引用到机器的研究中，因此具有学习和理解的能力。ANN 在语音识别中的应用十分广泛，如分类区分、共振峰检测等。其中用的最多的是利用神经网络的分类区分能力。人工神经网络可以分辨浊音和清音，鼻音、摩擦音和爆破音。长期的实验证明了人工神经网络强大的分类区分能力。

将神经网络之所以能应用到语音识别中，是经过大量研究和训练而建立的，是语音特征在系统中的一种映射。它与传统的识别方法完全不同的地方是：单个权值与识别基元之间没有十分明确的对应关系，只存在整个权值构成的系统参数与整个识别空间之间的对应关系。从处理信息方面来看：一组信息存储在人工神经网络内部是乱中有序的，在存储信息过程中ANN 对信息进行了大量的处理，而不是单纯的把信心孤立地存在内部。存储和处理信息是密不可分的。但用人工神经网络识别语音有个很大的缺陷：时序性很差，没有解决时间一致的问题。人工神经网络的具体模型如下：

当神经元j 有多个输入m)...2l (i x 1，，，

=与一个输出1y 时，输入与输出的关系可表示成以下关系式:

??

???=-=∑=)(1j j J i ij j s f y x w s m i θ （2.26）

其中j θ表示阈值，ij w 表示从神经元i 到神经元j 的连接权重因子，f()表示激励

函数。上式也可简化为：

∑==

m i i ij J x w 0s （2.27）

其中，J θ-w j 0=，1x 0=。 激励函数f()可选择线性函数，也可选择非线性函数。常见的有：

（1）阶跃函数：?

??<≥=0,00,1)(f x x x ； （2）S 型函数：)

exp(11)(f x x -+=； （3）双曲正切函数：x x x

x e

e e e x x --+-==)tanh()(

f ； （4）高斯函数：??

????--=∑j ji j i w x x 22)(21exp )f(σ。

最为常见、最具典型性且最简的人工神经网络是BP 神经网络。BP 神经网络是采用误差的反向传播算法的多层感应器神经网络，是一种单向传输的多层前向网络，网络不仅有输入与输出节点，又有单层或多层隐层的节点，同层节点中没有任何祸合。输入的语音信号首先从输入节点挨个传送到每个隐层的节点，然后传输至输出节点，每一隐层节点的输出只关系着下一隐层节点的输出。

2.4.4 HMM 和ANN 的混合模型

隐马尔可夫模型（HMM ）和人工神经网络模型（ANN ）的混合模型完整的使用了ANN 的以下优点，成功掩盖了HMM 的大部分缺点与不足，主要有以下三个：

(1)混合模型可以很好地适应语音数据无规律的变化。这可以不必刻意选取特殊的语音特征参数输入模型库进行训练和识别。

(2)把人类的听觉模型也融入人工神经网络中，在人工神经网络的开始端可以在同一时刻输入邻近帧的语音特征参数矢量，因此它与语音信号的真实形态更加一致。

(3)ANN 的结束端可以和任何形式的概率分布函数达到一致，不仅可以很好地掌控训练模型库中的概率分布的特性，还可以很真实地描述语音信号的概率分布曲线。

第三章基于Matlab的说话人识别

3.1 说话人识别系统平台介绍

对于说话人识别系统平台的搭建十分简单，只需用到一台电脑，麦克风，matlab 软件。

Matlab是一款强大仿真、编程软件。自1984年问世以来，经过时间的凝练，已经成为广大学者、师生最常用和最信赖的仿真软件。Matlab对人们强大的影响表现在两个方面：传统的分析设计方法在Matlab平台上运用十分方便快捷，准确度也很可靠；而新的分析设计方法也在Matlab上不断发展。基于matlab的说话人识别会用到matlab的编程功能和GUI仿真功能。

麦克风的主要作用是采集说话人语音。

本系统对于电脑的要求不高，只需安装matlab软件。以上这些平台的基础准备好了，一个说话人识别系统平台就搭建起来了。这样搭建起来的说话人识别系统不仅方面快捷，而且价格便宜。

3.2 语音采集模板(Speech Recording Plane)

语音采集模板的主要目的便是采集说话人的声音，为后来的语音处理、识别做好准备。图3.1为语音采集模块：

图3.1 语音采集模板

图3.1是利用matlab的GUI制作的。它包含了说话人的信息，如：姓名、年龄

和性别。这些信息需要预先设置。对于语音的采集，设置了三个采集的下拉框：频率、时间和通道，和三个按键采集、显示语音和回放。语音信号的采集频率是指采样模块在1s 内对声音信号的采集次数，采样频率越高，语音复原后就更接近实际情况。图

3.1中设置了四种采集频率，)(s KHz F 下拉框中可以选择11.025z H 、22.050z H 、4

4.100z H 和88.200z H 。语音采集的时间的长短也是可变的，Times(s)下拉框中设置了5s 、10s 、15s 、30s 、60s 和120s 六种不同的采集时间。上图实现了语音的采集(Record)、显示语音(Display)和回放(Play)，并且存储采集到的语音信号，这里采集的语音信号将被命名为“西瓜.mat ”而存储下来。

3.3 预处理模板(V oice Preprocessing Plane)

预处理就是将语音进行一些基本的处理，使语音更有利于识别。前面已经介绍过预处理的方法和过程。这个模块的主要作用是截取语音有声音的部分，舍弃没有声音的时间段，然后将有声音的部分拼接在一起。同样利用matlab 的GUI 做了一个预处理模块，如图3.2：

图3.2 预处理模板

图3.2中设置的第一个按钮是Load V oice，即载入语音。这里载入的语音是图3.1

采集的语音。点击Load V oice按钮，将出现图3.3的画面。

利用MATLAB平台实现少量字的语音识别

目录 引言 (4) 1.语音识别简介 (5) 1.1语音识别系统的分类 (5) 1.2语音识别系统的基本构成 (5) 2.语音识别参数 (6) 2.1线性预测系数(LPC) (6) 2.2线性预测倒谱系数(LPCC) (8) 2.3MFCC系数 (8) 2.4参数计算流程 (9) 3.DTW算法 (11) 3.1DTW算法原理 (11) 3.2DTW的高效算法 (14) 4.HMM算法 (16) 4.1HMM的原理 (16) 4.2HMM的前向概率和后向概率 (17) 4.3识别算法——V ITERBI解码 (19) 4.4 BAUM-WELCH算法 (20) 5.实验及总结 (23) 5.1实验准备以及步骤 (23) 5.2实验结果及讨论 (25) 5.3实验结论 (29) 参考文献 (30) 致谢 (31)

引言 自上世纪80年代开始，语音识别技术的研究进入了一个蓬勃发展的时期，一些商用系统也从实验室进入市场。然而，在实际的应用中，由于各种干扰因素导致的测试条件与训练环境的不匹配，系统的性能往往会收到极大的影响。因此提高语音识别系统的性能就成为了语音识别技术真正走向实用化的关键课题。 语音识别是以声音作为研究对象它是语音信号处理的一个重要研究方向，是模式识别的一个分支涉及到生理学、心理学、语言学、计算机科学以及信号处理等诸多领域，甚至还涉及到人的体态语言（如人在说话时的表情、手势等行为动作可帮助对方理解），其最终目标是实现人与机器进行自然语言通信。本文研究了汉语语音识别技术及其实现方法。论文首先分析了语音信号预处理问题。对MFCC倒谱系数在语音识别中的运用做了详细介绍。其次研究了基于DTW的语音识别系统，针对DTW算法中系统识别性能过分依赖于端点检测、动态规划的计算量太大等缺陷，分别提出了快速DTW算法和端点松动的DTW算法，仿真结果比较理想。继而研究了基于HMM的语音识别系统。针对HMM在实际应用中的优化计算问题，包括初始模型选取，定标等进行了深入的分析与探讨。针对传统定标仍能溢出的问题，给出了无溢出的参数重估公式。

语音识别Matlab可视化编程(部分)

附录1:录音函数：audiorecorder.m % 运行平台：Windows 8.1 64bit MATLAB R2014a % 录音2秒钟 clear all;clc;close all; fs = 16000; %2é?ù?μ?ê recorder = audiorecorder; disp('Start speaking.') recordblocking(recorder, 2); disp('End of Recording.'); % 回放录音数据 play(recorder); % 获取录音数据 xx = getaudiodata(recorder,'int16'); %绘制录音数据波形 plot(xx); A6:“录音”按键回调函数 function pushbutton1_Callback(hObject, eventdata, handles) % hObject handle to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) fs = 16000; recorder = audiorecorder; disp('Start speaking.') recordblocking(recorder, 2); disp('End of Recording.'); % 回放录音数据 % play(recorder); % 获取录音数据 k = getaudiodata(recorder,'int16'); plot(handles.axes1,k); load mfcc.mat; [StartPoint,EndPoint]=vad(k,fs); cc=mfcc(k); cc=cc(StartPoint-2:EndPoint-2,:); test.StartPoint=StartPoint; test.EndPoint=EndPoint;

基于matlab的图像识别与匹配

基于matlab的图像识别与匹配 摘要 图像的识别与匹配是立体视觉的一个重要分支，该项技术被广泛应用在航空测绘，星球探测机器人导航以及三维重建等领域。 本文意在熟练运用图像的识别与匹配的方法，为此本文使用一个包装袋并对上面的数字进行识别与匹配。首先在包装袋上提取出来要用的数字，然后提取出该数字与包装袋上的特征点，用SIFT方法对两幅图进行识别与匹配，最终得到对应匹配数字的匹配点。仿真结果表明，该方法能够把给定数字与包装袋上的相同数字进行识别与匹配，得到了良好的实验结果，基本完成了识别与匹配的任务。

1 研究内容 图像识别中的模式识别是一种从大量信息和数据出发，利用计算机和数学推理的方法对形状、模式、曲线、数字、字符格式和图形自动完成识别、评价的过程。 图形辨别是图像识别技术的一个重要分支，图形辨别指通过对图形的图像采用特定算法，从而辨别图形或者数字，通过特征点检测，精确定位特征点，通过将模板与图形或数字匹配，根据匹配结果进行辨别。 2 研究意义 数字图像处理在各个领域都有着非常重要的应用，随着数字时代的到来，视频领域的数字化也必将到来，视频图像处理技术也将会发生日新月异的变化。在多媒体技术的各个领域中，视频处理技术占有非常重要的地位，被广泛的使用于农业，智能交通，汽车电子，网络多媒体通信，实时监控系统等诸多方面。因此，现今对技术领域的研究已日趋活跃和繁荣。而图像识别也同样有着更重要的作用。 3 设计原理 3.1 算法选择 Harris 角点检测器对于图像尺度变化非常敏感，这在很大程度上限制了它的应用范围。对于仅存在平移、旋转以及很小尺度变换的图像，基于Harris 特征点的方法都可以得到准确的配准结果，但是对于存在大尺度变换的图像，这一类方法将无法保证正确的配准和拼接。后来，研究人员相继提出了具有尺度不变性的特征点检测方法，具有仿射不变性的特征点检测方法，局部不变性的特征检测方法等大量的基于不变量技术的特征检测方法。 David.Lowe 于2004年在上述算法的基础上，总结了现有的基于不变量技术的特征检测方法，正式提出了一种基于尺度空间的，对图像平移、旋转、缩放、甚至仿射变换保持不变性的图像局部特征，以及基于该特征的描述符。并将这种方法命名为尺度不变特征变换（Scale Invariant Feature Transform），以下简称SIFT 算法。SIFT 算法首先在尺度空间进行特征检测，并确定特征点的位置和特征点所处的尺度，然后使用特征点邻域梯度的主方向作为该特征点的方向特征，以实现算子对尺度和方向的无关性。利用SIFT 算法从图像中提取出的特征可用于同一个物体或场景的可靠匹配，对图像尺度和旋转具有不变性，对光照变化、

matlab语音识别系统(源代码)最新版

matlab语音识别系统(源代码)最新版

目录 一、设计任务及要求 (1) 二、语音识别的简单介绍 2.1语者识别的概念 (2) 2.2特征参数的提取 (3) 2.3用矢量量化聚类法生成码本 (3) 2.4VQ的说话人识别 (4) 三、算法程序分析 3.1函数关系 (4) 3.2代码说明 (5) 3.2.1函数mfcc (5) 3.2.2函数disteu (5) 3.2.3函数vqlbg (6) 3.2.4函数test (6) 3.2.5函数testDB (7) 3.2.6 函数train (8) 3.2.7函数melfb (8) 四、演示分析 (9) 五、心得体会 (11) 附：GUI程序代码 (12)

一、设计任务及要求 用MATLAB实现简单的语音识别功能； 具体设计要求如下： 用MATLAB实现简单的数字1~9的语音识别功能。 二、语音识别的简单介绍 基于VQ的说话人识别系统，矢量量化起着双重作用。在训练阶段，把每一个说话者所提取的特征参数进行分类，产生不同码字所组成的码本。在识别(匹配)阶段，我们用VQ方法计算平均失真测度(本系统在计算距离d时，采用欧氏距离测度)，从而判断说话人是谁。 语音识别系统结构框图如图1所示。 图1 语音识别系统结构框图 2.1语者识别的概念 语者识别就是根据说话人的语音信号来判别说话人的身份。语音是人的自然属性之一，由于说话人发音器官的生理差异以及后天形成的行为差异，每个人的语音都带有强烈的个人色彩，这就使得通过分析语音信号来识别说话人成为可能。用语音来鉴别说话人的身份有着许多独特的优点，如语音是人的固有的特征，不会丢失或遗忘；语音信号的采集方便，系统设备成本低；利用电话网络还可实现远程客户服务等。因此，近几年来，说话人识别越来越多的受到人们的重视。与其他生物识别技术如指纹识别、手形识别等相比较，说话人识别不仅使用方便，而且属于非接触性，容易被用户接受，并且在已有的各种生物特征识别技术中，是唯一可以用作远程验证的识别技术。因此，说话人识别的应用前景非常广泛：今天，说话人识别技术已经关系到多学科的研究领域，不同领域中的进步都对说话人识别的发展做出了贡献。说话人识别技术是集声学、语言学、计算机、信息处理和人工智能等诸多领域的一项综合技术，应用需求将十分广阔。在吃力语音信号的时候如何提取信号中关键的成分尤为重要。语音信号的特征参数的好坏直接导致了辨别的准确性。

基于MATLAB的语音信号采集与处理

工程设计论文 题目：基于MATLAB的语音信号采集与处理 姓名： 班级： 学号： 指导老师：

一.选题背景 1、实践意义： 语音信号是一种非平稳的时变信号，它携带着各种信息。在语音编码、语音合成、语音识别和语音增强等语音处理中无一例外需要提取语音中包含的各种信息。语音信号分析的目的就在于方便有效地提取并表示语音信号所携带的信息。所以理解并掌握语音信号的时域和频域特性是非常重要的。 通过语音相互传递信息是人类最重要的基本功能之一.语言是人类特有的功能.声音是人类常用工具,是相互传递信息的最重要的手段.虽然,人可以通过多种手段获得外界信息,但最重要,最精细的信息源只有语言,图像和文字三种.与用声音传递信息相比,显然用视觉和文字相互传递信息,其效果要差得多.这是因为语音中除包含实际发音容的话言信息外,还包括发音者是谁及喜怒哀乐等各种信息.所以,语音是人类最重要,最有效,最常用和最方便的交换信息的形式.另一方面,语言和语音与人的智力活动密切相关,与文化和社会的进步紧密相连,它具有最大的信息容量和最高的智能水平。 语音信号处理是研究用数字信号处理技术对语音信号进行处理的一门学科,处理的目的是用于得到某些参数以便高效传输或存储;或者是用于某种应用,如人工合成出语音,辨识出讲话者,识别出讲话容,进行语音增强等. 语音信号处理是一门新兴的学科,同时又是综合性的多学科领域,

是一门涉及面很广的交叉学科.虽然从事达一领域研究的人员主要来自信息处理及计算机等学科.但是它与语音学,语言学,声学,认知科学,生理学,心理学及数理统计等许多学科也有非常密切的联系. 语音信号处理是许多信息领域应用的核心技术之一,是目前发展最为迅速的信息科学研究领域中的一个.语音处理是目前极为活跃和热门的研究领域,其研究涉及一系列前沿科研课题,巳处于迅速发展之中;其研究成果具有重要的学术及应用价值. 数字信号处理是利用计算机或专用处理设备，以数值计算的方法对信号进行采集、抽样、变换、综合、估值与识别等加工处理，借以达到提取信息和便于应用的目的。它在语音、雷达、图像、系统控制、通信、航空航天、生物医学等众多领域都获得了极其广泛的应用。具有灵活、精确、抗干扰强、度快等优点。 数字滤波器, 是数字信号处理中及其重要的一部分。随着信息时代和数字技术的发展，受到人们越来越多的重视。数字滤波器可以通过数值运算实现滤波，所以数字滤波器处理精度高、稳定、体积小、重量轻、灵活不存在阻抗匹配问题，可以实现模拟滤波器无法实现的特殊功能。数字滤波器种类很多，根据其实现的网络结构或者其冲激响应函数的时域特性，可分为两种，即有限冲激响应( FIR，Finite Impulse Response)滤波器和无限冲激响应( IIR，Infinite Impulse Response)滤波器。 FIR滤波器结构上主要是非递归结构，没有输出到输入的反馈，系统函数H (z)在处收敛，极点全部在z = 0处（因果系统），因而只能

基于matlab的数字识别系统设计

数字识别系统 1.绪论 1.1研究背景 1.1.1索书号的简介 索书号是图书馆赋予每一种馆藏图书的号码，这种号码具有一定结构并带有特定的意义。在馆藏系中，每种书的索书号是唯一的，可准确地确定馆藏图书在书架上的排列位置，它是读者查找图书必要的代码信息。 索书号通常是根据中国图书资料分类法编排的【1】——简称《中图法》。《中图法》采拉丁字母和阿拉伯数字相结合的混合标记符号。根据图书的学科主题，以拉丁字母标记并顺序展列出22个基本大类，其中没有L、M和Y开头的——参考附录1中图法简表。由于“T工业技术”的大类范围广泛、内容繁多，故又在该类基础上采用双位拉丁字母标记出16个二级类目，如TK、TL、TM和TN等。字母之后再用阿拉伯数字对大类进行细分。如B表示哲学、宗教一大类；B020则表示宗教理论。有的图书馆如清华大学还在图书分类号码后添加按照图书作者姓名所编排的著者号码，或者是按照图书进馆时间的先后所取用的顺序号码。 不同索书号确定排列先后顺序的步骤是，先比较分类号码：如分类号码相同再比较著者号码 或顺序号码。最后按照字母表和数字大小的顺序排列。 1.1.2书库中图书查找存在的问题 随着电子计算机和网络技术的发展，现代图书馆都已经广泛建立电子数据库图书管理系统， 方便用户查找、阅览书籍。读者借图书的流程如图2所示，一般利用书目查询系统，根据图书的 书名，出版社，作者以及书的内容等在电子数据库中检索自己需要的图书，记录图书相关信息。 最后，根据图书的索书号，快速方便地在书库中找到相应的图书。但是，经常会遇到下列问题：电子数据库系统显示图书状态为“归还”，利用检索到号，却无法在书库找到此书。出现这种情况主要有两个原因：(1)图书错位放置，即图书在书库中摆放的位置与索书号不一致。(2)图书已经丢失，即虽然电子数据库中显示图书状态为“归还”，但实质图书已经丢失，并不在书库中。随着图书馆藏书数目的不断增加，每天借阅的人数增多，而且有的图书馆发展成拥有几个分馆，上述问题越来越严重。这一方面严重降低了图书馆的资源的利用率；另一方面，浪费了读者的时间，造成了很大麻烦。 目前，图书馆主要通过定期的人工检查发现书库中错位和丢失的图书。但是，由丁馆藏图书

matlab语音识别系统(源代码)

（威海）《智能仪器》课程设计 题目: MATLAB实现语音识别功能班级： 学号： 姓名： 同组人员： 任课教师： 完成时间：2012/11/3 目录

一、设计任务及要求 (1) 二、语音识别的简单介绍 2.1语者识别的概念 (2) 2.2特征参数的提取 (3) 2.3用矢量量化聚类法生成码本 (3) 2.4VQ的说话人识别 (4) 三、算法程序分析 3.1函数关系 (4) 3.2代码说明 (5) 3.2.1函数mfcc (5) 3.2.2函数disteu (5) 3.2.3函数vqlbg (6) 3.2.4函数test (6) 3.2.5函数testDB (7) 3.2.6 函数train (8) 3.2.7函数melfb (8) 四、演示分析 (9) 五、心得体会 (11) 附：GUI程序代码 (12) 一、设计任务及要求 用MATLAB实现简单的语音识别功能；

具体设计要求如下： 用MATLAB实现简单的数字1~9的语音识别功能。 二、语音识别的简单介绍 基于VQ的说话人识别系统，矢量量化起着双重作用。在训练阶段，把每一个说话者所提取的特征参数进行分类，产生不同码字所组成的码本。在识别(匹配)阶段，我们用VQ方法计算平均失真测度(本系统在计算距离d时，采用欧氏距离测度)，从而判断说话人是谁。 语音识别系统结构框图如图1所示。 图1 语音识别系统结构框图 2.1语者识别的概念 语者识别就是根据说话人的语音信号来判别说话人的身份。语音是人的自然属性之一，由于说话人发音器官的生理差异以及后天形成的行为差异，每个人的语音都带有强烈的个人色彩，这就使得通过分析语音信号来识别说话人成为可能。用语音来鉴别说话人的身份有着许多独特的优点，如语音是人的固有的特征，不会丢失或遗忘；语音信号的采集方便，系统设备成本低；利用网络还可实现远程客户服务等。因此，近几年来，说话人识别越来越多的受到人们的重视。与其他生物识别技术如指纹识别、手形识别等相比较，说话人识别不仅使用方便，而且属于非接触性，容易被用户接受，并且在已有的各种生物特征识别技术中，是唯一可以用作远程验证的识别技术。因此，说话人识别的应用前景非常广泛：今天，说话人识别技术已经关系到多学科的研究领域，不同领域中的进步都对说话人识别的发展做出了贡献。说话人识别技术是集声学、语言学、计算机、信息处理和人工智能等诸多领域的一项综合技术，应用需求将十分广阔。在吃力语音信号的时候如何提取信号中关键的成分尤为重要。语音信号的特征参数的好坏直接导致了辨别的准确性。 2.2特征参数的提取 对于特征参数的选取，我们使用mfcc的方法来提取。MFCC参数是基于人的听觉特性利用人听觉的屏蔽效应，在Mel标度频率域提取出来的倒谱特征参数。

基于语音识别的智能小车设计-毕设论文

基于语音识别的智能小车 摘要 随着计算机技术、模式识别和信号处理技术及声学技术等的发展，使得能满足各种需要的语音识别系统的实现成为可能。近二三十年来，语音识别在计算机、信息处理、通信与电子系统、自动控制等领域中有着越来越广泛的应用。本设计是语音识别在控制领域的一个很好实现，它将原本需要手工操作的工作用语音来方便地完成。 语音识别按说话人的讲话方式可分为孤立词(Isolated Word)识别、连接词(Connected Word)识别和连续语音(Continuous Speech)识别。从识别对象的类型来看，语音识别可以分为特定人(Speaker Dependent)语音识别和非特定人(Speaker Independent)语音识别。本设计采用的识别类型是特定人孤立词语音识别。 本系统分上位机和下位机两大方面。上位机利用PC上MATLAB强大的数学计算能力，进行语音输入、端点监测、特征参数提取、匹配、串口控制等工作，根据识别到的不同语音通过PC串口向下位机发送不同的指令。下位机是单片机控制的一个小车，单片机收到上位机传来的指令后，根据不同的指令控制小车完成不同的动作。 该设计对语音识别的现有算法进行了验证和实现，并对端点检测和匹配算法进行了些许改进。本设计达到了预期目标,实现了所期望的功能效果。 关键词：MATLAB，语音识别，端点检测，LPC，单片机，电机控制

SMART CAR GASED SPEECH RECOGNITION ABSTRACT With the development of computer technology,pattern recognition,signal processing technology and acoustic technology etc, the speech recognition system that can meet the various needs of people is more possible to achieve.The past three decades, the voice recognition in the field of computer, information processing, communications and electronic systems, automatic control has increasingly wide range of applications. Speech recognition by the speaker's speech can be divided into isolated word (Isolated Word) identification, conjunctions (Connected Word) and continuous speech recognition (Continuous Speech) identification. Identifying the type of object from the point of view, the voice recognition can be divided into a specific person (Speaker Dependent) speech recognition and non-specific (Speaker Independent) speech recognition. This design uses the identification type is a specific person isolated word speech recognition. This design is of a good implementation of speech recognition in the control field, it does the work that would otherwise require manual operation by the voice of people easily.This system includes two major aspects:the host system and the slave system. The host system use the MATLAB on the computer which has powerful mathematical computing ability to do the work of voice input, endpoint monitoring, feature extraction, matching, identification and serial control,then it send different commands through the PC serial port to slave system according different recognised voice. The slave system is a car controlled by a single-chip micro-controller.It controls the car do different actions according different instructions received.

基于matlab-汽车号牌识别系统设计

汽车号牌识别系统设计 ** 中文摘要：随着二十一世纪到来，经济快速发展和人们生活水平显著提高，汽车逐渐成为家庭的主要交 通工具。汽车的产量快速增多，车辆流动也变得越来越频繁，因此给交通带来了严重问题，如交通堵塞、交通事故等，智能交通系统(Intelligent Transportation System)的产生就是为了从根本上解决交通问题。在智能交通系统中车牌识别技术占有重要位置，车牌识别技术的推广普及必将对加强道路管理、城市交通事故、违章停车、处理车辆被盗案件、保障社会稳定等方面产生重大而深远的影响。 该设计主要研究基于MATLAB 软件的汽车号牌设别系统设计，系统主要包括图像采集、图像预处理、车牌定位、字符分割、字符识别五大核心部分。系统的图像预处理模块是将图像经过图像灰度化、图像增强、边缘提取、二值化等操作，转换成便于车牌定位的二值化图像；利用车牌的边缘、形状等特征，再结合Roberts 算子边缘检测、数字图像、形态学等技术对车牌进行定位；字符的分割采用的方法是将二值化后的车牌部分进行寻找连续有文字的块，若长度大于设定的阈值则切割，从而完成字符的分割；字符识别运用模板匹配算法完成。以上每个功能模块用MATLAB 软件实现，最后识别出车牌，在研究设计的同时对其中出现的问题进行具体分析、处理，并寻求更优的方法。 关键词：MATLAB ，车牌识别系统，字符识别，图像处理 一、总体设计 汽车号牌识别系统技术是从一幅车辆图像中准确定位出车牌区域，然后经过字符切割和字符识别来实现车辆牌照的自动识别。主要流程图如下： 图1.1 二、总体功能模块 基于MA TLAB 车牌识别系统主要包括图像采集、图像预处理、车牌定位、字符分割、字符识别五个关键环节[11]，其基本工作如下： (1) 图像采集：使用摄像头、照相机拍摄采集图像。 读取图片 图像预处理 车牌定位 字符分割 模板库 字符识别

人脸识别系统设计与仿真 基于matlab的(含matlab源程序)版权不归自己 交流使用

人脸识别系统设计与仿真基于matlab的（含matlab源程序） 交流使用参考后自行那个删除后果自负 目录 第一章绪论 (2) 1.1 研究背景 (2) 1.2 人脸图像识别的应用前景 (3) 1.3 本文研究的问题 (4) 1.4 识别系统构成 (5) 1.5 论文的内容及组织 (7) 第二章图像处理的Matlab实现 (8) 2.1 Matlab简介 (8) 2.2 数字图像处理及过程 (8) 2.2.1图像处理的基本操作 (8) 2.2.2图像类型的转换 (9) 2.2.3图像增强 (9) 2.2.4边缘检测 (10) 2.3图像处理功能的Matlab实现实例 (11) 2.4 本章小结 (15) 第三章人脸图像识别计算机系统 (16) 3.1 引言 (16) 3.2系统基本机构 (17)

3.3 人脸检测定位算法 (18) 3.4 人脸图像的预处理 (25) 3.4.1 仿真系统中实现的人脸图像预处理方法 (26) 第四章基于直方图的人脸识别实现 (29) 4.1识别理论 (29) 4.2 人脸识别的matlab实现 (29) 4.3 本章小结 (30) 第五章总结 (31) 致谢 (32) 参考文献 (33) 附录 (35)

第一章绪论 本章提出了本文的研究背景及应用前景。首先阐述了人脸图像识别意义；然后介绍了人脸图像识别研究中存在的问题；接着介绍了自动人脸识别系统的一般框架构成；最后简要地介绍了本文的主要工作和章节结构。 1.1 研究背景 自70年代以来.随着人工智能技术的兴起.以及人类视觉研究的进展.人们逐渐对人脸图像的机器识别投入很大的热情，并形成了一个人脸图像识别研究领域，.这一领域除了它的重大理论价值外，也极具实用价值。 在进行人工智能的研究中，人们一直想做的事情就是让机器具有像人类一样的思考能力，以及识别事物、处理事物的能力，因此从解剖学、心理学、行为感知学等各个角度来探求人类的思维机制、以及感知事物、处理事物的机制，并努力将这些机制用于实践，如各种智能机器人的研制。人脸图像的机器识别研究就是在这种背景下兴起的，因为人们发现许多对于人类而言可以轻易做到的事情，而让机器来实现却很难，如人脸图像的识别，语音识别，自然语言理解等。如果能够开发出具有像人类一样的机器识别机制，就能够逐步地了解人类是如何存储信息，并进行处理的，从而最终了解人类的思维机制。 同时，进行人脸图像识别研究也具有很大的使用价依。如同人的指纹一样，人脸也具有唯一性，也可用来鉴别一个人的身份。现在己

基于MATLAB的数字识别

计算机与信息工程学院 本科生毕业论文 基于BP神经网络的手写数字识别算法的设计与实现 班级： 13汉班 学号： 20131102507 姓名：江晓雪 指导教师：李艳玲

2017 年 3 月 31 日 毕业论文目录 1 绪论 (1) 1.1 图像识别的提出 (1) 1.2 图像识别的现状与发展趋势 (1) 2 BP神经网络的概述 (2) 3 手写体数字识别的实现过程 (4) 3.1 整体线路图 (4) 3.2 算法流程 (5) 3.3 图像预处理 (10) 3.4 结果分析 (10) 4 结论 (11) 参考文献 (12) 全文共13 页4834 字

基于BP神经网络的手写数字识别算法的设计与实现计算机与信息工程学院 2013级汉班江晓雪 20131102507 指导教师李艳玲副教授 摘要本文实现了基于MATLAB关于神经网络的手写数字识别算法的设计过程，采用神经网络中反向传播神经网络（即BP神经网络）对手写数字的识别，由MATLAB对图片进行读入、灰度化以及二值化等处理，通过神经网络进行训练和测试。实验证明：该神经网络对手写数字的识别可以达到95.65%。 关键词手写数字识别；BP神经网络；MATLAB语言 1 绪论 1.1 图像识别的提出 图像识别在信息技术发达的今天已经占据了很重要的地位，在我们实际生活中也有很多应用。所谓的图像识别，就是指通过计算机对图像进行相应的处理、分析，来达到识别不同模型的目标和任务的一种技术。对于它的提出，简单的来说，它的发展经历了三个阶段：第一个是文字识别、第二个是数字图像处理与识别、第三个是物体识别。第一种相对来说比较简单，它的研究是从1950年开始的，一般情况是识别字母、符号和数字，无论是印刷体识别还是手写体识别，它的应用都非常广泛，但是也伴随着，这个识别的过程会更加的耗时、费力，无论是人力还是物力，都会有很大的损失；第二种就是我们所说的数字图像处理与识别，在图片的识别过程中，图片识别会有一定的误差，也会带来小小的麻烦；第三就是物体识别，而物体的识别主要指的是：在三维世界中，对于个体、环境的感知和认识进行识别，这不同于二维世界的认知，相对来说是更高级的计算机图像识别，它是以二维世界中对数字图像和模拟图像处理的办法为依据，进行更高一级的，并且结合了现代人工智能技术等学科的研究目标，研究成果已经被广泛的应用在各种工业探测机器人上，为人们的安全提供了很大的帮助。 1.2 图像识别的现状与发展趋势 随着网络的发达、电子的信息化，图像识别的应用已经非常广泛，而主要的

基于MATLAB的BP神经网络的数字图像识别

基于MATLAB BP神经网络的数字图像识别

基于MATLAB BP神经网络的数字图像识别 【摘要】随着现代社会的发展，信息的形式和数量正在迅猛增长。其中很大一部分是图像，图像可以把事物生动的呈现在我们面前，让我们更直观地接受信息。同时，计算机已经作为一种人们普遍使用的工具为人们的生产生活服务。如今我们也可以把这些技术应用在交通领域。作为智能交通系统(InteUigent Traffic System，简称ITS)中的一个重要组成部分的车牌识别技术，当然就是其中的重点研究对象。车辆牌照识别(License P1ate Recognition，简称LPR)，是一种关于计算机的包括图像处理、数学技术、数据库、信息技术以及智能技术于一体的综合技术。用MATLAB做车牌识别比用其他工具有许多优势，因为MATLAB在图像的灰度化、二值化、滤波等方面都有很大优势，所以,本次实验我们利用MA TLAB的这些优点来对车牌进行识别。 【关键词】BP神经网络；图像识别；字符识别；特征提取；车牌；Matlab 一课题研究背景 （一）图像识别的提出及应用 随着信息化时代的不断发展，人们越来越多地使用信息化的手段来解决各种问题——办公自动化、先进制造业、电子商务等利用计算机技术而产生的新兴行业正不断靠近我们的生活。在信息社会中，我们每天都接触大量的数据——工作数据、个人数据、无意间获得的数据等——在这些数据中，有些数据需要我们人工处理，而有些则可以利用计算机快速准确的完成——字符识别就是其中的一个范畴。 字符识别是一种图像识别技术，他的输入是一张带有某种字符的图片，而输出则是计算机中对于图片中字符的反应结果。所以，可以广泛的应用于各种领域：如，车牌检测、手写识别、自动阅读器、机器视觉……在生活生产的各个方面都起到了非常重要的作用。（二）图像识别技术的发展趋势 虽然图像识别技术还不是非常成熟，但现其已经有了很多可喜的成果，比如图像模式识别，图像文字识别。并且其还在飞速的发展着，图像识别的应用正朝着不同的领域渗透着，像计算机图像生成，图像传输与图像通信，高清晰度电视，机器人视觉及图像测量，办公室自动化，像跟踪及光学制导，医用图像处理与材料分析中的图像分析系统，遥感图像处理和空间探测，图像变形技术等等。从所列举的图像技术的多方面应用及其理论基础可以看出，它们无一不涉及高科技的前沿课题，充分说明了图像技术是前沿性与基础性的有机统一。 可以预计21世纪，图像技术将经历一个飞跃发展的成熟阶段，为深入人民生活创造新的文化环境，成为提高生产的自动化、智能化水平的基础科学之一。图像技术的基础性研究，特别是结合人工智能与视觉处理的新算法，从更高水平提取图像信息的丰富内涵，成为人类运算量最大、直观性最强，与现实世界直接联系的视觉和“形象思维”这一智能的模拟和复现，是一个很难而重要的任务。“图像技术”这一上世纪后期诞生的高科技之花，其前途是不可限量的。 随着21世纪经济全球化和信息时代的发展，作为信息来源的自动检测、图像识别技术越来越受到人们的重视。近年来计算机的飞速发展和数字图像处理技术的日趋成熟，为传统的交通管理带来了巨大转变。图像处理技术发展相当快，而其中对汽车牌照等相关信息的自动采集和管理对于交通车辆管理、园区车辆管理、停车场管理、交警稽查等方面有着十分重要的意义，成为信息处理技术的一项重要研究课题。汽车牌照自动识

基于matlab数字图像处理与识别系统含程序

目录 第一章绪论 (2) 1.1 研究背景 (2) 1.2 人脸图像识别的应用前景 (3) 1.3 本文研究的问题 (4) 1.4 识别系统构成 (4) 1.5 论文的内容及组织 (5) 第二章图像处理的Matlab实现 (6) 2.1 Matlab简介 (6) 2.2 数字图像处理及过程 (6) 2.2.1图像处理的基本操作 (6) 2.2.2图像类型的转换 (7) 2.2.3图像增强 (7) 2.2.4边缘检测 (8) 2.3图像处理功能的Matlab实现实例 (8) 2.4 本章小结 (11) 第三章人脸图像识别计算机系统 (11) 3.1 引言 (11) 3.2系统基本机构 (12) 3.3 人脸检测定位算法 (13) 3.4 人脸图像的预处理 (18) 3.4.1 仿真系统中实现的人脸图像预处理方法 (19) 第四章基于直方图的人脸识别实现 (21) 4.1识别理论 (21) 4.2 人脸识别的matlab实现 (21) 4.3 本章小结 (22) 第五章总结 (22) 致谢 (23) 参考文献 (24) 附录 (25)

第一章绪论 本章提出了本文的研究背景及应用前景。首先阐述了人脸图像识别意义；然后介绍了人脸图像识别研究中存在的问题；接着介绍了自动人脸识别系统的一般框架构成；最后简要地介绍了本文的主要工作和章节结构。 1.1 研究背景 自70年代以来.随着人工智能技术的兴起.以及人类视觉研究的进展.人们逐渐对人脸图像的机器识别投入很大的热情，并形成了一个人脸图像识别研究领域，.这一领域除了它的重大理论价值外，也极具实用价值。 在进行人工智能的研究中，人们一直想做的事情就是让机器具有像人类一样的思考能力，以及识别事物、处理事物的能力，因此从解剖学、心理学、行为感知学等各个角度来探求人类的思维机制、以及感知事物、处理事物的机制，并努力将这些机制用于实践，如各种智能机器人的研制。人脸图像的机器识别研究就是在这种背景下兴起的，因为人们发现许多对于人类而言可以轻易做到的事情，而让机器来实现却很难，如人脸图像的识别，语音识别，自然语言理解等。如果能够开发出具有像人类一样的机器识别机制，就能够逐步地了解人类是如何存储信息，并进行处理的，从而最终了解人类的思维机制。 同时，进行人脸图像识别研究也具有很大的使用价依。如同人的指纹一样，人脸也具有唯一性，也可用来鉴别一个人的身份。现在己有实用的计算机自动指纹识别系统面世，并在安检等部门得到应用，但还没有通用成熟的人脸自动识别系统出现。人脸图像的自动识别系统较之指纹识别系统、DNA鉴定等更具方便性，因为它取样方便，可以不接触目标就进行识别，从而开发研究的实际意义更大。并且与指纹图像不同的是，人脸图像受很多因素的干扰:人脸表情的多样性;以及外在的成像过程中的光照，图像尺寸，旋转，姿势变化等。使得同一个人，

matlab语音识别系统(源代码)版

目录 一、设计任务及要求 (1) 二、语音识别的简单介绍 语者识别的概念 (2) 特征参数的提取 (3) 用矢量量化聚类法生成码本 (3) 的说话人识别 (4) 三、算法程序分析 函数关系 (4) 代码说明 (5) 函数mfcc (5) 函数disteu (5) 函数vqlbg (6) 函数test (6) 函数testDB (7) 函数train (8) 函数melfb (8) 四、演示分析 (9) 五、心得体会 (11) 附：GUI程序代码 (12)

一、设计任务及要求 用MATLAB实现简单的语音识别功能； 具体设计要求如下： 用MATLAB实现简单的数字1~9的语音识别功能。 二、语音识别的简单介绍 基于VQ的说话人识别系统，矢量量化起着双重作用。在训练阶段，把每一个说话者所提取的特征参数进行分类，产生不同码字所组成的码本。在识别(匹配)阶段，我们用VQ方法计算平均失真测度(本系统在计算距离d时，采用欧氏距离测度)，从而判断说话人是谁。 语音识别系统结构框图如图1所示。

图1 语音识别系统结构框图 语者识别的概念 语者识别就是根据说话人的语音信号来判别说话人的身份。语音是人的自然属性之一，由于说话人发音器官的生理差异以及后天形成的行为差异，每个人的语音都带有强烈的个人色彩，这就使得通过分析语音信号来识别说话人成为可能。用语音来鉴别说话人的身份有着许多独特的优点，如语音是人的固有的特征，不会丢失或遗忘；语音信号的采集方便，系统设备成本低；利用电话网络还可实现远程客户服务等。因此，近几年来，说话人识别越来越多的受到人们的重视。与其他生物识别技术如指纹识别、手形识别等相比较，说话人识别不仅使用方便，而且属于非接触性，容易被用户接受，并且在已有的各种生物特征识别技术中，是唯一可以用作远程验证的识别技术。因此，说话人识别的应用前景非常广泛：今天，说话人识别技术已经关系到多学科的研究领域，不同领域中的进步都对说话人识别的发展做出了贡献。说话人识别技术是集声学、语言学、计算机、信息处理和人工智能等诸多领域的一项综合技术，应用需求将十分广阔。在吃力语音信号的时候如何提取信号中关键的成分尤为重要。语音信号的特征参数的好坏直接导致了辨别的准确性。 特征参数的提取 对于特征参数的选取，我们使用mfcc 的方法来提取。MFCC 参数是基于人的听觉特性利用人听觉的屏蔽效应，在Mel 标度频率域提取出来的倒谱特征参数。 MFCC 参数的提取过程如下： 1. 对输入的语音信号进行分帧、加窗，然后作离散傅立叶变换，获得频谱分布信息。 设语音信号的DFT 为： 10,)()(112-≤≤=∑-=-N k e n x k X N n N nk j a π（1） 其中式中x(n)为输入的语音信号，N 表示傅立叶变换的点数。

基于MATLAB的特定人语音识别算法设计毕业设计

本科毕业设计 基于MATLAB的特定人语音识别算法设计

摘要 语言是人类交换信息最方便、最快捷的一种方式，在高度发达的信息社会中，用数字化的方法进行语音的传送、存储、识别、合成和增强等是整个数字化通信网中最重要、最基本的组成部分之一。而在随着科技技术的发展的今天，除了人与人之间的自然语言通信之外，人与机或机器与机器之间也开始使用语言。也就是因为如此，需要涉及到语音识别技术。为了解决机器能“听懂”人类的语言，在科技如此迅猛发展的今天，语音识别技术一直受到各国科学界的关注，其对计算机发展和社会生活的重要性也日益凸显出来。 在孤立字语音识别中，如语音密码锁，汽车控制等领域，都运用到了特定人语音识别技术，也就是DTW算法，相对于HMM算法，DTW算法具有简单操作。在相同环境下，两者识别效果相差不大，但是HMM算法要复杂得多，主要体现在HMM算法在训练阶段需要提供大量的语音数据，而DTW算法则不需要额外的计算。所以在特定人语音识别当中，DTW算法被广泛使用。 在本次设计中，将运用到MATLAB平台来对语音信号进行处理及识别。相对于C 语言而言，MATLAB平台更能给用户提供一个简单易懂的代码分析窗口。而且在个性化设计中，MATLAB可以为用户提供一个人性化界面--GUI。所以，此次设计，通过MATLAB 平台建立一个GUI界面，接着对一组语音信号的输入进行预处理及端点检测，提取特征参数（MFCC），形成参考模块。然后再对一组相同的语音信号输入进行同样的操作作为测试模块，与参考模块进行DTW算法进行匹配，输出匹配后的识别结果。 关键词：MATLAB GUI 端点检测MFCC DTW

基于MATLAB数字图像处理杂草识别

基于MATLAB数字图像处理杂草识别

基于数字图像处理的杂草识别 班级：信息5班 组员：李辉李少杰李港深胡欣阳 学号：04141394 04141395 04141393 0414139 指导教师：蔡利梅 组员分工： 李辉：部分程序，查找资料 李少杰：实验报告，PPT，演讲 李港深：部分程序，实验报告 胡欣阳：部分程序，实验报告

摘要 杂草同农田作物争夺阳光和养分，严重影响了农作物的生长。为了达到除草的目的，人们开始喷洒大量的除草剂来进行除草。可是却忽略了除草剂的不当使用给人、畜以及环境造成的危害。本文从实际应用出发，设计了一个基于数字图像处理的杂草图像特征提取及识别设计方案。运行在参考了前人研究成果的基础上，不断将算法改进，找出适合于MATLAB杂草识别的可行性方法。本文对杂草图像的处理和识别方法进行研究。采集来的图像经常会有模糊现象的发生，对模糊图像的恢复处理做了大量的研究试验，得出维纳滤波具有较好的恢复效果；绿色植物和土壤背景的分割试验中，提出了一种基于彩色图像的二值化方法，可以不经过彩色图像灰度化就能够直接把绿色植物与土壤背景分割开，和以往的分割方法相比处理速度快，分割效果好，更加满足实时性；杂草和作物的分割主要研究了行间杂草和作物的分割，参考国内外资料，并进行研究试验，表明运用位置特征识别法有很好的分割效果，寻找作物中心行采用了简单快速的像素位置直方图法，采用了区域生长，和其他方法相比减少了重复操作，节省了时间，满足实时处理的要求；分割后的图像为只含有杂草的二值图像，通常会有一些残余的叶片和颗粒的噪声，通过形态学滤波或中值滤波去除噪声。 1、研究目的及意义 杂草是生态系统中的一员,农田杂草是农业生态系统中的

基于matlab的语音识别系统

机电信息工程学院专业综合课程设计 系：信息与通信工程 专业：通信工程 班级：081班 设计题目：基于matlab的语音识别系统 学生姓名： 指导教师： 完成日期：2011年12月27日

一．设计任务及要求 1.1设计任务 作为智能计算机研究的主导方向和人机语音通信的关键技术，语音识别技术一直受到各国科学界的广泛关注。以语音识别开发出的产品应用领域非常广泛，有声控电话交换、语音拨号系统、信息网络查询、家庭服务、宾馆服务、旅行社服务系统、订票系统、声控智能玩具、医疗服务、银行服务、股票查询服务、计算机控制、工业控制、语音通信系统、军事监听、信息检索、应急服务、翻译系统等，几乎深入到社会的每个行业、每个方面，其应用和经济社会效益前景非常广泛。本次任务设计一个简单的语音识别系。 1.2设计要求 要求：使用matlab软件编写语音识别程序 二．算法方案选择 2.1设计方案 语音识别属于模式识别范畴，它与人的认知过程一样，其过程分为训练和识别两个阶段。在训练阶段，语音识别系统对输入的语音信号进行学习。学习结束后，把学习内容组成语音模型库存储起来；在识别阶段，根据当前输入的待识别语音信号，在语音模型库中查找出相应的词义或语义。 语音识别系统与常规模式识别系统一样包括特征提取、模式匹配、模型库等3个基本单元，它的基本结构如图1所示。 图1 语音识别系统基本结构图 本次设计主要是基于HMM模型（隐马尔可夫模型）。这是在20世纪80年代引入语音识别领域的一种语音识别算法。该算法通过对大量语音数据进行数据统计，建立识别词条的统计模型，然后从待识别语音信号中提取特征，与这些模

型进行匹配，通过比较匹配分数以获得识别结果。通过大量的语音，就能够获得一个稳健的统计模型，能够适应实际语音中的各种突发情况。并且，HMM算法具有良好的识别性能和抗噪性能。 2.2方案框图 图2 HMM语音识别系统 2.3隐马尔可夫模型 HMM过程是一个双重随机过程：一重用于描述非平稳信号的短时平稳段的统计特征（信号的瞬态特征）；另一重随机过程描述了每个短时平稳段如何转变到下一个短时平稳段，即短时统计特征的动态特性（隐含在观察序列中）。人的言语过程本质上也是一个双重随机过程，语音信号本身是一个可观测的时变列。可见，HMM合理地模仿了这一过程，是一种较为理想的语音信号模型。其初始状态概率向量π，状态转移概率矩阵向量A，以及概率输出向量B一起构成了HMM的3个特征参量。HMM 模型通常表示成λ={π，A，B}。 2.4HMM模型的三个基本问题 HMM模型的核心问题就是解决以下三个基本问题： (1)识别问题：在给定的观测序列O和模型λ=（A,B,π）的条件下，如何有效地计算λ产生观测序列O的条件概率P(O︱λ)最大。常用的算法是前后向算法，它可以使其计算量降低到N2T次运算。 (2)最佳状态链的确定：如何选择一个最佳状态序列Q=q1q2…qT，来解释观察序列O。常用的算法是Viterbi算法。 (3)模型参数优化问题：如何调整模型参数λ=(A,B,π)，使P(O︱λ)最大：这是三个问题中最难的一个，因为没有解析法可用来求解最大似然模型，所以只能使用迭代法(如Baum-Welch)或使用最佳梯度法。 第一个问题是评估问题，即已知模型λ=(A,B,π)和一个观测序列O，如何计算由该模型λ产生出该观测序列O的概率，问题1的求解能够选择出与给定的观测序列最匹配的HMM模型。 第二个问题力图揭露模型中隐藏着的部分，即找出“正确的”状态序列，这是一个典型的估计问题。