基于BP神经网络的语音信号分类研究精灵论文精要.doc

基于 BP 神经网络的语音信号分类研究 高茉 （辽宁工程技术大学电子与信息工程学院，辽宁 葫芦岛 125105） 5 摘要：语音分类是语音信号处理的重要组成部分。准确快速地对语音进行分类在语音编码、 语音合成中有着重要的意义。针对语音的多样性和不确定性，使用传统分类方法在大规模的 实际语音分类应用中速度慢、正确率低。为了提高语音分类的正确率和分类精度，提出一种 基于神经网络的语音分类方法。首先采用倒谱系数提取语音特征，选择最优的特征信号，加 快识别速度，然后利用 BP 神经网络模型对特征信号进行训练，建立最优分类器模型，最后 10 对测试语音进行分类。仿真实验表明，在噪声环境下该算法仍可准确进行语音信号分类。 关键词：语音识别；BP 神经网络；语音分类；学习速率 中图分类号：TN912.3 Research of speech signal classify based on BP 15 Gao Mo (School of Electronic and Information Engineering, Liaoning Technical University, LiaoNing HuLuDao 125105) Abstract: Speech classification is an important part of speech signal processing. Accurate and rapid classify of speech has an important significance in speech coding and speech synthesis. 20 According to diversity and uncertainty of the speech, traditional classification method has low speed and low correct rate in large application of actual speech classification. To improve the correct rate and speech classification accuracy, put forward a speech classification method based on neural network. First using cepstrum coefficient to extract speech feature, choose optimal characteristic signal, accelerate recognition speed, then using BP neural network model to train 25 characteristic signal, set up optimal classifier model, and finally classify testing speech. The simulation results show that this algorithm can classify speech signal accurately in noise environment. Keywords:speech recognition; BP; speech classification; learning rate 30 0 引言 语音分类是将语音按其声门激励形式的不同分为浊音和清音，浊音又分为元音和浊辅 音，语音分类是语音信号处理中的重要组成部分。在语音编码中可以根据这几类信号的不同 特点，采用不同的处理方式以提高效率和节省资源；语音合成中也要进行语音分类，以提高 合成语音的自然度。由于这几类信号的许多特征参数的动态取值范围在各类之间通常都是交 35 叠的（例如，短时能量参数和过零率参数），故不可能通过提取某一特征参数将其线性分开， 尤其是参数在受到噪声干扰的情况下就更难以区分。传统的方法是通过提取某些特征参数， 然后进行线性的处理和预定阈值来进行判断，阈值一般是靠人工经验来确定，方法简单，容 易实现，但无法保证可靠精确的判断结果。近几年随着人工智能，机器学习领域的快速发展， 为开展具有自主学习能力和自动音频分类研究工作提供了很好的基础。BP 人工神经网络模 40 拟了人类神经元活动原理，具有自学习、联想、对比、推理和概括能力，并且，具有能够逼 近任意的非线性函数、并行化处理信息、容错能力强等诸多优点[1, 5, 6]。因此，它为解决语 音分类这样的一个复杂的模式分类问题提供了新的途径。 作者简介：高茉，（1984-），女，硕士研究生。主要研究方