基于UniSpeech-SDA80D51的车载音响声控系统

提出一种语音命令控制车载音响操作的设计方案,以德国Infineon公司新推出的具有DSP和单片机双核的SoC语音处理芯片UniSpeech-SDA80D51为核心组成非特定人车载音响语音控制系统,并实现了系统样机的研制。该系统在江淮同悦SL1102C1型车载音响上进行了语音控制实测,实测数据表明系统语音识别率可达到95%。     

基于HMM的触点轨迹识别

针对触点轨迹运动复杂,其识别准确率较低的问题。引入隐马尔科夫模型,采用基于模型描述的方法获得轨迹的动态特性,并对各个轨迹模式建立相应的隐马尔科夫模型。首先利用训练样本得到可靠地参数,然后计算测试样本对于各个模型的最大似然概率,最后选取最大概率值对应的轨迹模式作为识别的结果。实验结果表明,用HMM模型识别触点轨迹,其识别速度较快,并对不同复杂程度的触点运动轨迹,其最高识别率可达到80%。     

基于垃圾模型的维吾尔语关键词识别

关键词识别是语音识别中的一个重要研究方向，而维吾尔语的关键词识别研究刚刚开始．结合维吾尔语音节特点和考虑影响关键词识别因素，提出在HMM模型的基础上对非关键词建立垃圾模型的方法，来提高关键词的识别效率。     

基于垃圾模型的维吾尔语关键词识别

关键词识别是语音识别中的一个重要研究方向,而维吾尔语的关键词识别研究刚刚开始。结合维吾尔语音节特点和考虑影响关键词识别因素,提出在HMM模型的基础上对非关键词建立垃圾模型的方法,来提高关键词的识别效率。     

Viterbi和DTW算法的关系分析——在非特定人手语识别中的应用

在经典的模式识别理论中,Viterbi算法代表了统计概率的模式匹配算法,而DTW算法代表了模版匹配的模式匹配算法,它们之间是否存在关系至今尚无定论.为了找到这两种算法之间的关系,在类别隶属度是广义概率的假设前提下,应用模糊数学的理论在Viterbi算法与DTW算法之间建立起联系.首先,提出了利用模糊数学的贴近度把DTW算法的距离向Viterbi算法的概率转化的通用贴近度表达式,并对通用贴近度表达式给出了理论上的证明.其次,应用DTW的通用贴近度表达式重估HMM参数,建立DTW算法与Viterbi算法之间的模糊贴近度关系,并为此提出了δ-ε算法,得到基于数据帧的类似于HMM的参数重估形式.然后,为了确保建立DTW算法与Viterbi算法之间的模糊贴近度关系的正确性,以定理的形式给出了相应的证明.再次,通过设定的DTW贴近度表达式对HMM参数重估的过程中,发现了DTW贴近度的重估参数与HMM重估参数之间存在着的模糊关系,以定理的形式对这种模糊关系加以证明.最后,依据上述定理提出了Dtw-ViterbiⅠ,Ⅱ,Ⅲ算法,以定理的形式对Dtw-ViterbiⅠ,Ⅱ,Ⅲ算法的正确性加以证明,并将对Dtw-ViterbiⅠ...     

轴承故障诊断与故障预测方法

分析了利用HMM进行故障诊断和HHMM进行故障预测的框架,针对传统HHMM推理算法复杂,推理时间长的问题,将HHMM转化为DBN,并应用交叉树推理算法,缩短了推理时间。最后将HMM和HHMM应用于轴承故障诊断和故障预测或剩余寿命预测(RUL),通过试验结果验证了这种方法的有效性。     

基于HTK的连续汉语数码语音输入系统研究

HTK是英国剑桥大学开发的一套基于C语言的语音处理工具箱,广泛应用于语音识别、语音合成以及字符识别等领域。文章在详细介绍了语音识别的过程、原理及相关概念的基础之上,介绍了HTK的基本原理和软件结构,以及使用HTK完成语音识别任务的整个过程。最后,讨论声学单元等一系列的模型参数的选择,使用HTK搭建一个简单连续汉语语音输入系统。     

MATLAB下的基于HMM模型的语音识别技术的实现

HMM模型（隐含马尔科夫模型）由于对时间序列结构具有较强的建模能力,而逐步成为主流的语音识别技术。该文首先深入浅出地概述了基于HMM的语音识别技术,然后介绍了三个基本问题,最后在MATLAB下实现了孤立词语音识别系统。     

基于奇异点和HMM的指纹分类数据融合方法

指纹分类技术是指纹数据库的一个重要索引机制。当待识指纹图像与模板图像之间存在较大平移和旋转时或遇到低质量的图像时，识别算法的性能会受到很大的影响。本文提出了一种基于奇异点和HMM的指纹分类数据融合方法。首先，分别对基于奇异点的指纹分类方法和基于HMM的指纹分类方法的信任度函数进行分配。然后，利用D-S证据理论进行融合完成指纹纹型分类，并在国际指纹竞赛数据库上作了测试，总的纹型辨识正确率可达94.5%，并且对平移、旋转和低质量的指纹图像具有良好的鲁棒性，具有一定的实用价值。     

DHMM＋SVM在切削颤振中的应用

根据切削颤振的特点,结合隐马尔可夫模型（Hidden Markov Model,HMM）和支持向量机（Support Vector Machine,SVM）的特点,提出了一种新的状态预测技术,同时也提出了一种新的特征提取方法。首先在等时间间隔内对切削信号实时进行小波包分解,然后通过SVM对各频带区间能量变化趋势进行回归预测,最后通过HMM对预测结果进行分类。结果表明,该方法取得了较好的预测结果。