面向特定语音识别的智能人机交互技术研究开题报告

1. 研究目的与意义

1.1研究背景：

与机器进行语音交流，让机器明白你说什么，这是人们长期以来梦寐以求的事情。中国物联网校企联盟形象得把语音识别比做为“机器的听觉系统”。语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。语音识别技术主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。语音识别技术车联网也得到了充分的引用，例如在翼卡车联网中，只需按一键通客服人员口述即可设置目的地直接导航，安全、便捷。

自从人类可以制造和使用各种机器以来，人们就有一个理想，那就是让各种机器能听懂我们的语言并能够按人的命令来行动，从而实现人机的语言交流。

2. 研究内容和预期目标

2.1研究内容：

人类语言所发出的语音具有丰富的特征，例如听到一个人的声音，尽管可能还没有见到具体的人，但是根据以往大脑建立起来的语音特征模型，我们就可以知道来者是谁。

本课题要求学生在深入数据结构、可视化软件开发实现等基本理论和方法基础上，通过所掌握的java或python等编程语言，并结合数据库技术以及软件工程等相关理论、技术，研究面向特定语音识别的智能人机交互技术。

3. 研究的方法与步骤

3.1研究方法

（1）隐马尔可夫法(hmm)

隐马尔可夫法(hmm)是70年代引入语音识别理论的，它的出现使得自然语音识别系统取得了实质性的突破。hmm方法现已成为语音识别的主流技术，目前大多数大词汇量、连续语音的非特定人语音识别系统都是基于hmm模型的。hmm是对语音信号的时间序列结构建立统计模型，将之看作一个数学上的双重随机过程：一个是用具有有限状态数的markov链来模拟语音信号统计特性变化的隐含的随机过程，另一个是与markov链的每一个状态相关联的观测序列的随机过程。前者通过后者表现出来，但前者的具体参数是不可测的。人的言语过程实际上就是一个双重随机过程，语音信号本身是一个可观测的时变序列，是由大脑根据语法知识和言语需要(不可观测的状态)发出的音素的参数流。可见hmm合理地模仿了这一过程，很好地描述了语音信号的整体非平稳性和局部平稳性,是较为理想的一种语音模型。

4. 参考文献

1. 陈哲怀;郑文露;游永彬;钱彦旻;俞凯.标签同步解码算法及其在语音识别中的应用[j]. 计算机学报, 2019.03.21

2. steven bird, ewan klein, edward lopper著, 陈涛译,python自然语言处理[m], 人民邮电出版社，2014.07.

3. 奚雪峰; 周国栋, 面向自然语言处理的深度学习研究[j],自动化学报, 2016.10

   剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！

   5. 计划与进度安排

   (1)1月11日至2月15日分析课题，查找资料。

   (2)2月16日至2月28日完成需求分析。

   (3)3月01日至3月16日完成开题报告。

   剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付