文档介绍：随机过程在测控技术与仪器中的一些应用摘要随机过程(Stochastic Process) 是一连串随机事件动态关系的定量描述。随机过程论与其他数学、物理分支如位势论、微分方程、复变函数论、力学等有密切的联系,是在自然科学、工程科学及社会科学各领域研究随机现象的重要工具。随机过程论已得到广泛的应用,在诸如天气预报、统计物理、天体物理、运筹决策、经济数学、安全科学、人口理论、可靠性及计算机科学等很多领域都要经常用到随机过程的理论来建立数学模型。本文主要针对随机过程在测控技术与仪器中语音识别系统中的一些应用。关键词隐马尔科夫模型语音识别随机过程概率模型 Viterbi 算法一、语音识别技术概述语音识别系统本质上是一种模式识别系统,目前有很多语音识别算法,但其基本原理和基本技术相似。一个完整的语音识别系统一般都包括有特征提取、模式匹配和参考模式库 3个基本单元,它的基本结构如图 1所示。(1) 特征提取所谓特征提取就是从语音信号中提取用于语音识别的有用信息, 其基本思想是将预处理过的信号通过一次变换,去掉冗余部分,而把代表语音本质特征的参数抽取出来,如平均能量、平均跨零率、共振峰、 LPC 系数、系数等。(2) 模式匹配这是整个语音识别系统的核心,它是根据一定规则(如 HMM) 以及专家知识(如构词规则、语法规则、语义规则等),计算输入特征与参考模式库之间的相似度(如匹配距离、似然概率),判断出输入语音的语意信息,得到最佳的识别结果。(3) 参考模式库在识别之前首先建立参考模式库,通过讲话者多次重复语音,从原始语音样本中去除冗余信息,保留关键数据,再按照一定规则对数据加以聚类,形成模式库。二、隐马尔科夫模型介绍隐含马尔可夫模型是一种随机过程模型,该模型假设外界可观察到的观察矢量序列是由模型隐含层中的一串状态序列产生的。在语音识别系统中,模型的观察矢量即为语音特征矢量,而模型中的状态序列则对应了语音的内容,一套隐含马尔可夫模型由三组参数唯一确定,状态初始概率分布矢量,转移概率矩阵和输出概率密度分布函数矩阵。隐马尔可夫模型( Hidden Markov Model ,H MM)作为一种统计分析模型,创立于 20世纪 70年代。80年代得到了传播和发展,成为信号处理的一个重要方向,现已成功地用于语音识别,行为识别,文字识别以及故障诊断等领域。隐马尔可夫模型( HMM )可以用五个元素来描述,包括 2个状态集合和 3个概率矩阵: S这些状态之间满足马尔可夫性质,是马尔可夫模型中实际所隐含的状态。这些状态通常无法通过直接观测而得到。(例如 S1、S2、S3等等) O在模型中与隐含状态相关联,可通过直接观测而得到。(例如 O1、O2、O3等等, 可观测状态的数目不一定要和隐含状态的数目一致。) t=1 的概率矩阵, (例如 t=1 时, P(S1)=p1 、P(S2)= P2、P(S3)=p3 ,则初始状态概率矩阵π=[p1p2p3]. A。描述了 HMM 模型中各个状态之间的转移概率。其中 Aij =P(Sj|Si),1 ≤i,,j ≤N. 表示在 t时刻、状态为 Si的条件下,在 t+1 时刻状态是 Sj的概率。 B(英文名为 Confu