基于LBG的藏語字母識別算法研究

王德欣 卓嘎 張瑞

摘要

在語音識別的領(lǐng)域內(nèi)，BP神經(jīng)網(wǎng)絡(luò)和VQ有著廣泛的運用。本文中主要內(nèi)容為：采用VQ技術(shù)中LBG來實現(xiàn)對藏文字母的識別，并使用MATLAB R2014a進(jìn)行算法的仿真。此算法對已經(jīng)采集好的藏語30個字母的語音進(jìn)行了語音預(yù)處理和端點檢測，并提取了MFCC特征參數(shù)，隨后開始進(jìn)行識別工作的開展。

【關(guān)鍵詞】語音識別 矢量量化 LBG算法

1 矢量量化

1.1 矢量量化概述

矢量量化的步驟是：首先，通過k個樣本值在k維空間R^k中形成矢量，然后量化在第一步驟中形成的數(shù)據(jù)。接著，通過一些適當(dāng)?shù)母纳?，盡可能的降低失真和量化噪聲。與標(biāo)量量化相比，矢量量化具有顯著的數(shù)字速率的降低。矢量量化可以看作是一種壓縮方法，是不可逆的，它可以有效地利用矢量中各分量的相互特性（線性相關(guān)、非線性相關(guān)等），以消除冗余度，具備比特率低、譯碼簡單、失真較小等優(yōu)點。矢量量化的理論基礎(chǔ)是香農(nóng)的速率失真理論。

1.2 率一失真理論

速率失真理論是通過給定的失真D，計算率一失真函數(shù)R（D），并且R（D）是：給定的失真條件可以達(dá)到的最小速率（按維度計算）;或者，他的反函數(shù)可以計算，并且將D（R）稱為失真率函數(shù)，定義為在給定的速率條件下所能夠達(dá)到的最小失真。

1.3 失真測度

編碼器的設(shè)計是矢量量化器設(shè)計過程中非常重要的一個部分，解碼器的工作只是一個簡單的表查找過程。在設(shè)計的過程中，我們會接觸到失真測度，并且，它的選擇會對VQ的性能產(chǎn)生直接的影響。

1.4 矢量量化器原理

矢量量化器原理框圖如圖1所示。

2 語音處理

2.1 語音提取

本設(shè)計中語音的讀取用的是wavread函數(shù)，提取出來后直接對提取出來的參數(shù)進(jìn)行了1024點的快速傅里葉變換;隨后，用plot函數(shù)將原始語音的時域圖以及頻譜圖畫了出來。

2.2 語音的預(yù)處理

在該算法中，語音的預(yù)處理的步驟分別是量化處理和預(yù)加重處理。在量化處理中，本設(shè)計設(shè)置的階數(shù)為16階，隨后用MATLAB中的1pc函數(shù)對信號進(jìn)行了進(jìn)一步的處理，并畫出了相關(guān)的圖形，以方便后續(xù)的操作。在預(yù)加重過程中，先將語音數(shù)據(jù)用double函數(shù)轉(zhuǎn)換為雙精度浮點數(shù)，再用filter函數(shù)（一維數(shù)字濾波器）對高頻部分進(jìn)行處理，隨后在對其進(jìn)行1024點的fft變換，最后畫出經(jīng)過此過程處理后的信號的波形和頻譜。在此設(shè)計中預(yù)加重的系數(shù)為0.9375。

2.3 分幀加窗

本設(shè)計中采用的是漢明窗。在本設(shè)計分幀處理的過程中，幀移設(shè)置的為80。在加窗過程中，窗長設(shè)定的為256。本階段處理完成后，將二者處理后的信號的波形和頻譜圖都畫了出來。

2.4 語音特征參數(shù)提取

本設(shè)計中采用的倒譜系數(shù)。

2.5 語音端點檢測

本設(shè)計中采用的是雙門限的檢測。其中，幀長設(shè)定為256，未重疊部分設(shè)定為128，短時能量門限設(shè)定為10，能量的兩個閾值設(shè)定為2，過零率的閾值為10，過零率的兩個閾值為5。

3 LBG算法的設(shè)計與實現(xiàn)

3.1 LBG算法的實現(xiàn)流程

LBG算法在VQ中是一個基本算法。LBG算法可用于已知源的分布特征和未知源分布的特征的情況，但有必要知道其輸出值（稱為訓(xùn)練序列）。在實際應(yīng)用中，它經(jīng)常用于訓(xùn)練序列中以設(shè)計矢量量化器。

設(shè)計算法的流程圖如圖2所示。

4 MATLAB仿真

4.1 MATLAB R2014a平臺簡介以及語音數(shù)據(jù)來源

MATLAB在語音方面的應(yīng)用：

4.1.1 語音分析（語音信號的特征參數(shù)提取）

我們從語音信號中提取特征參數(shù)，比較合成語音與自然語音的特征參數(shù)并計算其距離，通過特征參數(shù)距離來描述合成語音與自然語音之間的距離。

經(jīng)過大量實驗，人們提出了基于不同頻率人耳感知的梅爾頻率概念。由于藏文是一種調(diào)諧語言，梅爾頻率是人耳聽到的藏文音調(diào)的量度。通過MATLAB工具計算這個參數(shù)將很好地描述藏語語音的感知。

4.1.2 語音識別

在本設(shè)計中，我們的語音數(shù)據(jù)來自項目小組成員的親自錄制。在錄制過程中，我們采用個人手機(jī)先進(jìn)行錄制;隨后，將錄制好的語音傳到電腦中，再利用快轉(zhuǎn)軟件將語音格式轉(zhuǎn)換為wav格式，從而得到可以進(jìn)行相關(guān)處理和識別的語音資料。同時，語音的說話人都是藏族同學(xué)，從而，在一定程度上可以保證藏文語音的發(fā)音的標(biāo)準(zhǔn)性和準(zhǔn)確性。

4.2 LBG算法仿真

在這個程序中利用MATLAB來編譯程序。碼本的選擇是通過隨機(jī)選擇方法實現(xiàn)的。

具體實現(xiàn)這個過程的參數(shù)設(shè)計是在本設(shè)計中，碼書的大小為8，碼書的維數(shù)維7，參加訓(xùn)練樣本的個數(shù)為100，碼書訓(xùn)練循環(huán)次數(shù)設(shè)定為25。在初始碼書的選取中，我們每隔2個樣本取一個樣本，從而得到初始碼書。隨后對初始碼書進(jìn)行處理，當(dāng)相對失真小于。一。是結(jié)束循環(huán)，從而得到訓(xùn)練好的碼書，也就是最終碼書。隨后，我們把訓(xùn)練好的碼書寫到了文本中;最后我們逐個顯示了，算法的執(zhí)行時間、算法的平均失真、每個碼書的樣本個數(shù)、程序的循環(huán)次數(shù)，以及最終訓(xùn)練好的碼書。

4.3 仿真結(jié)果

由程序結(jié)果我們可以看出，LBG算法的理論算法結(jié)構(gòu)相對嚴(yán)謹(jǐn)，并且較為容易實現(xiàn);與此同時，此算法還能作為其他算法的附加算法，以優(yōu)化提取的初始碼本。由圖6可以看出在每次迭代的過程中平均失真具有單調(diào)遞減的特性，所以可以實現(xiàn)上述要求。

在對比上述仿真結(jié)果的基礎(chǔ)上，我們通過改變初始語音的含義以及說話人，利用MATLAB仿真工具對輸入的語音信號進(jìn)行相關(guān)處理;隨后，根據(jù)程序的運行結(jié)果進(jìn)行數(shù)據(jù)分析，與此同時，我們還研究了：在LBG算法中，語音中少許的噪音和語音聲音的大小，不同的說話人的音色對算法識別效果的影響。

數(shù)據(jù)結(jié)果分析：根據(jù)以上不同說話人和語音聲音大小，以及是否有噪音下的語音識別結(jié)果可以看出，循環(huán)次數(shù)逐漸加大，平均失真和相對失真只有著些許的變化，識別結(jié)果根據(jù)語音的不同，識別結(jié)果也不同。如表I所示。

4.4 仿真結(jié)論

LBG算法在保持著初始變量不變的情況下，平均失真和相對失真的變化不大，但是循環(huán)次數(shù)和運行時間卻因為語音數(shù)據(jù)的不同，存在著一些少許的變化。

與此同時，根據(jù)識別結(jié)果可以看出LBG識別算法對語音的要求較高。語音信號在非純凈語音的情況下，語音噪音的不同，說話人聲音大小的不同等因素都會影響識別結(jié)果。

5 總結(jié)

本設(shè)計重點采用矢量量化LBG算法，在碼書的選取過程中，我們選擇了隨機(jī)選取的方法;隨后依靠MATLAB R2014a仿真工具得到仿真結(jié)果;接著，通過仿真結(jié)果對LBG算法的性能參數(shù)進(jìn)行了一些分析。通過上述的一系列測試，我們可以看出，LBG算法對語音的質(zhì)量要求相對較高，語音中一些噪音會影響識別的結(jié)果，說話人聲音的大小也會影響語音識別的結(jié)果。另外，我們還發(fā)現(xiàn)：在同一語音錄制的環(huán)境中，一些藏語語音（同一個藏文字母，不同的發(fā)音人）會對采樣頻率以及進(jìn)行傅里葉變換的點數(shù)有要求，若采樣頻率或者進(jìn)行傅里葉變換的點數(shù)不能滿足要求，則程序不能正常運行;同時，一些藏語語音（同一個藏文字母，不同的發(fā)音人）提取出來的特征參數(shù)也會有著比較大的差距，從而會對初始碼書的選取有著一些影響。

目前關(guān)于上述現(xiàn)象，我們還沒有弄明白問題出現(xiàn)的原因。我們猜測可能是因為藏語是拼音型文字，每個人在發(fā)音時，發(fā)音的部位可能不相同，或是不準(zhǔn)確，從而導(dǎo)致這種現(xiàn)象出現(xiàn);另外，我們也有著這樣的猜測：程序依舊存在一些缺陷，從而導(dǎo)致不能很好的對語音進(jìn)行處理和識別。但是，以上觀點僅僅是本項目小組成員的猜測。由于項目組成員的能力有限，以上的問題僅僅只停留于猜測的層面，還未進(jìn)行進(jìn)一步的研究和實踐。

本設(shè)計所做的主要工作有：

首先，介紹了本設(shè)計中的一些步驟以及所涉及到的基本概念和原理，另外還包括一些重點步驟中的一些重要參數(shù)和部分用到的函數(shù)。隨后，根據(jù)需求寫出程序，利用MATLABR2014a對算法進(jìn)行了仿真，得到仿真結(jié)果。最后，根據(jù)仿真結(jié)果對性能進(jìn)行了一些分析與猜測。

綜上所述，由于個人的能力，本文只實現(xiàn)了語音識別算法，沒有根據(jù)識別成功率的大小和影響識別成功的一些因素對程序進(jìn)行進(jìn)一步優(yōu)化。同時，也并未對我們的猜測進(jìn)行進(jìn)一步的研究和證明。

參考文獻(xiàn)

[1]數(shù)字語音處理及MATLAB仿真/張雪英主編[M].北京：電子工業(yè)出版社，2016.

[2]賀玲玲，周元.基于改進(jìn)MFCC的異常聲音識別算法[J].重慶工商大學(xué)學(xué)報（自然科學(xué)版），2012，29（02）：52-57.

[3]張俊.基于VQ和DTW相結(jié)合的語音識別算法研究[D].武漢理工大學(xué)碩士論文，2016.

[4]蔣剛毅，張禮和，鄭義.語音信號的矢量量化碼書特性研究[J].電子學(xué)報，1995（11）：55-59.

[5]周萍，李曉盼，李杰，景新幸.混合MFCC特征參數(shù)應(yīng)用于語音情感識別[J].計算機(jī)測量與控制，2013，21（07）：1966-1968+1986.

[6]黃成玉，張全柱，賴斌.聲紋識別中MEL參數(shù)的提取研究[J].電源技術(shù)，2011，35（04）：433-435.

[7]吳婷婷.矢量量化中碼書設(shè)計的研究[D].南京師范大學(xué)碩士論文，2016.

[8]黃榜.矢量量化圖像編碼算法的研究[D].江南大學(xué)，2011.

[9]閥大順，趙永安，文先林，李蓓基于DHMM和VQ的關(guān)鍵詞識別系統(tǒng)研究[J].武漢理工大學(xué)學(xué)報，2011，33（02）：140-143+152.

[10]王彪.一種改進(jìn)的語音信號特征參數(shù)提取算法研究[J].電子設(shè)計工程，2011，19（21）：59-61.

[11]祝鵬.短語音條件下的說話人識別研究[D].燕山大學(xué)，2012.

[12]郭浩.基于矢量量化編碼技術(shù)的數(shù)據(jù)壓縮方法[J].科技與企業(yè)，2012（15）：126.

[13]歐陽星辰.語音信號的優(yōu)化處理[J].中國電子商務(wù)，2012（10）： 68-68.

[14]呂晶晶，陳娟，張培，馬艷娥.基于VQ的語音識別技術(shù)研究[J].伺服控制，2011（04）：68-69+36.