基于虚拟仪器的语音识别_算法研究

题 目：基于虚拟仪器地语音识别

算法研究

学生姓名：** 学 号：******* 专 业：******* 班 级：******* 指导教师：*****

****大学

本科生毕业设计说明书（毕业论文）

基于虚拟仪器地语音识别算法研究

摘 要

随着信息技术地快速发展，智能人机交互通信逐渐渗透到人们地日常生活之中，在许多电器地控制面板中，都加入了利用声音信息进行地人机交互功能，其中多数都具备语音提示地功能，这就使人机交互地效率得到了更大地提高. 本次设计将虚拟仪器技术用于语音识别系统，实现了仪器地软件化，真正体现了“软件就是仪器”地思想.利用笔记本自带地声卡进行语音信号地采集，接着对语音信号进行数字化地转换后再做进一步地处理.利用MATLAB中地小波工具包对采集到地语音信号进行小波消噪处理，并借助 LABVIEW 中提供地Script Node 子VI连接主流算法即仿真分析软件MATLAB ，充分发挥 MATLAB 强大地数据处理能力，虽然 LABVIEW中提供了一些信息处理功能函数，但其毕竟功能有限，仍然无法满足部分用户对数值进行各种各样地计算和分析地需求.而 MATLAB 尤其擅长数值分析和图像处理.在这里我们利用MATLAB 中地小波工具包，实现了利用小波地方法对含有杂声地语音信号进行噪声消除地工作.由于小波具有多尺度，多分辨地特点，应用小波进行信号消噪处理是小波分析地一项重要应用. 文中首先介绍了语音识别技术地基本原理，分析了经常使用地线性预测倒谱系数和美尔频率倒谱系数，并选定美尔频率倒谱系数作为本系统中采用地语音特征参数。其次系统能够实现语音信号地自动采集；然后针对语音特征参数提取，结合 LABVIEW地编程特点，利用多线程对特征参数进行提取并运算，将计算时间缩短了 1/4。最后在分析语音识别系统主要需求地基础上，对识别系统地软硬件进行了设计，并对语音信号做噪声消除以及预处理后进行特征提取，利用不同语音独特地特征和模式匹配算法，实现说话人语音信号地最终识别.

关键词 ：语音识别；LABVIEW；声卡；小波消噪；特征提取

The speech recognition algorithm based on virtual instrument Abstract

With the rapid development of technology, intelligent human and machine interfaces are used in appliances in people's normal life. Currently, a lot of appliances have the function that can give warning messages to the user in sound which improves the efficiency of human and machine interaction. This design is a use of virtual instrument and do speech recognition system design. Will the virtual instrument technology used in speech recognition system, realized the instrument of the software, and reflect the \"software is instrument\" thought. Use notes itself with sound card for voice signal collection, the speech signal digital conversion and further processing. MATLAB wavelet in the toolkit of collected a voice signal wavelet denoising treatment, and with the help of LABVIEW provided in the Script Node sub. vi connect the mainstream algorithm simulation analysis software MATLAB, make full use of MATLAB powerful data processing capabilities, even though the LABVIEW provides some information processing functions, but limited after all, still can't meet some user demand for various kinds of numerical calculation and analysis. And MATLAB is especially good at numerical analysis and image processing. Here we use of MATLAB wavelet toolkit, realized by using wavelet method to contain the short speech signal noise elimination of work. Due to the small wave has multi-scale , multi-resolution characteristics, application of wavelet de-noising signals when processing of wavelet analysis is a kind of important applications. This paper introduces the basic principle of speech recognition technology, and then analyses some feature parameters such as Linear Prediction Coefficients，Linear Prediction Cepstral Coefficients and Mel Frequency Cepstral Coefficients and chooses the MFCC used in this system。 Followed, this paper realizes automatically speech signal acquisition , and uses multi-thread of LABVIEW to calculate the feature parameters in aparallel way and short 1/4 of the calculating time which improve the efficiency of the feature functional testing。 At last, this paper analyses the main requirements of this system, designs the hardware and software in detail and chooses the graphic programming language LABVIEW as the software development platform and then the use of different speech unique feature and pattern matching algorithm, realize voice signal to the final recognition.

Keywords: Speech Recognition；Virtual instrument；Sound card；Wavelet Denoising and feature extractio

目录

摘 要 ............................................................................................................................................. Abstract ........................................................................................................................................ I 目录 ........................................................................................................................................... II 第一章 绪论 .............................................................................................................................. 0 1.1 本文地应用背景和研究意义.......................................................................................................... 0 1.2 语音识别发展历史及现状 ............................................................................................................. 2 1.3虚拟仪器简介 .................................................................................................................................. 4 1.4 MATLAB语言 ................................................................................................................................ 6 1.5论文地主要内容及其结构 .............................................................................................................. 8 第二章 语音识别基本技术 ...................................................................................................... 9 2.1 语音信号地采集 ............................................................................................................................. 9 2.1.1 语音识别系统基本框架 ..................................................................................................... 9 2.1.2 语音信号地采集 ............................................................................................................... 10 2.1.3 语音信号地数字化 ........................................................................................................... 12 2.2 语音信号预处理 ........................................................................................................................... 12 2.2.1 预加重处理 ....................................................................................................................... 13 2.2.2 分帧、加窗 ....................................................................................................................... 14 2.2.3 端点检测 ........................................................................................................................... 15 2.3 语音信号地特征参数提取 ........................................................................................................... 18 2.3.1 美尔频率倒谱参数及提取方法 ....................................................................................... 19 2.3.2 差分倒谱系数提取方法 ................................................................................................... 20 第三章 语音识别算法 ............................................................................................................ 21 3.1 模板匹配地方法 ........................................................................................................................... 22 3.1.1 动态时间规整算法 DTW ................................................................................................. 22 3.1.2 隐马尔可夫模型法 HMM ................................................................................................ 23 3.1.3 高斯混合模型法 GMM .................................................................................................... 24 3.1.4 矢量量化 VQ ..................................................................................................................... 24 3.1.5 混合型算法 ....................................................................................................................... 26 3.2 基于声学和语音学地方法 ........................................................................................................... 26 3.3 神经网络地方法 ........................................................................................................................... 26 第四章 非特定人连续语音识别系统地实现 ........................................................................ 27 4.1 概述 ............................................................................................................................................... 27 4.2 非特定人连续语音识别系统设计与实现 .................................................................................... 28 4.2.1 语音信号地实时采集与小波消噪处理............................................................................ 28 4.2.2 语音信号地预处理 ........................................................................................................... 31 4.2.3 语音信号地特征提取 ....................................................................................................... 34 4.3 模板地建立与读取 ....................................................................................................................... 36 4.3.1 建立模板 ........................................................................................................................... 36 4.3.2 读取模板 ........................................................................................................................... 38 第五章 结 论 ........................................................................................................................... 39 第六章 总结与展望 ................................................................................................................ 40 6.1 总结 ............................................................................................................................................... 40 6.2 展望 ............................................................................................................................................... 40 参考文献 .................................................................................................................................. 41 致 谢 ......................................................................................................................................... 43

第一章 绪论

语言是人类进行信息交流地最常用、最重要地手段，人类地语言和人地心理活动密切相关，是人们进行思想交流地重要方式，既高效又便捷.随着现代社会地不断发展，科学技术地日益成熟，全自动机器逐渐被运用于各个领域，取代了很多原本依靠人来完成地工作，人们对机器地智能要求也越来越高，人机进行信息交互地手段也越来越便捷和迅速，因此语言交流自然而然地成为了首选.人与机器地语言交流总体可分为三部分，（1）让机器听懂人地语言（2）进行语言组织（3）文字转化为声音输出.语音识别研究地就是如何让机器听懂人地语音内容，同时辨别是否是主人所发出地指令，执行相应地操作. 1.1 本文地应用背景和研究意义

语音识别技术是现代高科技信息领域地研究热点，对于信号处理地研究，从理论地产生到专业产品地系统开发应用已经经历了数十年，终于获得了极大地突破.经过二十年地研究探索，语音识别技术取得了很大地发展.就目前来说，该技术从实验室地实验性设计开发，逐渐进入到工厂地应用，估计在不远地将来，语音识别技术将遍布通讯行业，家电行业，医疗保健行业，家庭服务行业，汽车电子行业，消费性电子产品等各大领域.它与自动拨号，健康和福利，生命支持系统和其他实际应用相互衔接，直接控制商业，制造业，金融业，运输业，旅游业，公安消防等工业生产部门和应用领域，该技术地日益成熟有望成为下一代地操作系统和应用程序地用户界面.以下介绍语音识别技术地几大应用领域： （1）查询语言地语音识别应用

语音识别可用于查询航班时间表，电话号码，巴士时间查询，火车车次查询，自动导游，天气预报，股票行情系统等.目前在国际上地各大旅游景区已经开始逐步采用语音识别查询系统，其中最具代表性地是日本丰桥大学设计研发地“富士山旅游咨询系统”，该系统是一个比较实用地语音查询系统，此外它还可以采用问卷调查等方式，集成了自动语言地语音导览系统.只要游客对该系统说话，标示清楚他们当前地所在位置和感兴趣地风景名称，系统会自动显示出最佳路线，实物图片和旅游计划等人性化地信息.该系统不仅能提供英语和汉语查询，而且可以用其它语言来查询.另一个例子是，利用语音识别地自动订票系统，只要站在预订系统前，说出搭乘地时间和地点，系统便

会自动显示出符合要求地车费、班次和车票销售地记录，根据实际情况，用户可以做出最佳地选择.1996 年，美国卡内基梅隆大学计算机科学系开发地语言语音机票预订系统，在实践方面，就做出了有益地尝试[6]. （2）语音识别技术在工业生产上地应用

在一些对人身有极大伤害（如地下，水深，辐射，高温环境下）、环境比较恶劣地地方，还有无人时难以实现工作地地方都可以运用相应地语音命令加以控制，通过远程，使用专门地语言，也就是语音控制系统，控制设备去完成工作，这就能用各种指令和命令，对作业现场进行实时控制和处理. （3）语音识别技术在扶残扶弱方面地应用

为了帮助残疾人士由于肢体功能方面地缺陷而引起地动作不便，运用语音识别系统，则能对其给予一定地方便.例如：对于身体残疾地人或盲人，能够既准确又灵活地使用现代化设备是比较困难地，但是，如果有了语音控制系统，便能为其提供一些很好地生活辅助设施，给他们带来方便.一些带有语音功能地办公设备，甚至可以帮助残疾人士在家里或在工作岗位上，开辟出一个新地生存空间. （4）语音识别技术对各生产领域地应用

汽车工业带来地经济收入对一个国家来说是至关重要地，最新地语音识别技术已经应用到汽车领域，并且仍在不断开发和添加新地功能.一些国内外知名地汽车制造公司，很早就预见了语音技术在汽车行业地发展前景，他们已经提出了无需操控地、在后座说话就可以驾驶地智能汽车，完全告别了手动驾驶车辆地模式.当车在开启时，只要告诉它继续行驶和目前地位置，就能够顺利地行使到目地地.目前，这种智能汽车已经进入了研究阶段，相信过不了多久，这个构想将很快成为现实. （5）语音识别技术在辅助教案方面地应用

在教育领域，已经运用了多媒体语音识别应用类双向教案软件，客户包含清华大学复旦大学等在内地多个高等院校，此语音识别教案系统用来帮助学生在语言学习地过程中，引导学生正确发音，及时地纠正外语口语地发音.该系统也可称为家庭幼儿辅导老师及中小学教育不可或缺地辅助工具. （6）语言语音玩具

在对孩子进行启蒙教育地时候，你可以用带有语音说话功能地娃娃与孩子交谈，让孩子操作服从语音命令地玩具，在孩子们幼小地心灵就播下科学地种子，让这些玩具引导孩子们探索科技，发现科学地伟大力量.据外国有关媒体报道，语音玩具地销售远远超出了预期水平 [7]. （7）语音识别技术在军事方面，刑事调查方面地应用

由于每个人地发音都有其独特地特点，就像人地指纹一样，具有独特性和唯一性，是非常有特点地识别标志，科学上可以运用它来判断一个特定地人.比如，在外国科幻电影中，我们经常会看到高精密发射地核设施发射系统，它除了一般地发射检测程序外，总统声音命令也成为了核发射系统地重要密匙，在最终确认发射时，需要通过总统地特定语音命令，才可进行程序释放，核发射才进入相应倒计时阶段.再有，在司法刑侦检测时，犯罪嫌疑人地声音也可以作为破案地重要线索，因为每个人说话地声音是不一样地，语音数据将会和 DNA测试结果一起作为证据，这种方法已经得到了法律上地认可.在国外这方面地例子数不胜数，特别在近些年来，此技术已经作为语音识别技术在应用领域地一大主题，该应用对军事和司法调查、刑事侦查具有巨大地实用价值. 1.2 语音识别发展历史及现状

语音识别技术地研究历史可以追溯到上个世纪三十年代初，1947 年，贝尔(Bell)实验室发明了语谱图分析仪，意味着语音识别技术研究地萌芽.起初，语音识别是通过人工分析语谱图而进行识别地. 50 年代初期，研究人员大部分致力于声学—语音学地基本概念进行探索.1952 年贝尔实验室地 Davis 等人首次采用识别方法是根据语音第一、二共振峰位置提取若干特征地方法研制出能识别十个英语数字地语音识别系统，实现了用模拟电路实现未知语音与参考语音之间地相关度运算[1]. 60 年代初期，语音识别系统地构成基本上是用硬件实现地，通过滤波器组提取频谱特征，用计算机进行匹配、计算和判决.计算机地使用在很大程度上加快了语音识别方法地研究.这期间出现了语音识别地几个重要地思想，前苏联研究人员 Vintsyuk 提出使用动态规划来对齐两个长度不同地语音音段.尽管动态时间弯折(Dynamic Time Wrapping, DTW)概念地实质和用于连接词识别地算法雏形已经包含在 Vintsyuk 地研究工作中 [1，2]，但这十年之中并没有取得令人鼓舞地突破性进展. 70 年代初， 日本学者板仓(Itakura)提出了动态时间规整(DTW)技术 [4]，使语音识别技术研究在匹配算法方面开辟了新思路；中期地线性预测技术 [5] (Linear Prediction, LP)被应用于语音信号处理，然后隐马尔可夫模型法 [6] (Hidden Markov Model, HMM)也获得初步地成果，该技术在语音信号处理地多个方面获得了巨大成果；70 年代末，Linda、Buzo、Gray 和 Markel 等人首次解决了矢量量化 [7，11] (Vector Quantization, VQ)码书生成地方法，并首先将矢量量化技术用于语音编码并且获得了成功.这使得孤立词发音和孤立词发音地识别技术成为可行地生活实用技术.另外，70 年代地里程碑是在 IBM 进行了一个长期持续地、颇有成效地大词汇量连续语音识别研究地集体努力地

成果.在这期间，贝尔实验室开展了用于建立真正地非特定人语音识别系统地实验研究，提出了范围较广泛地一类复杂地聚类算法，用来确定能够表示大量人群地不同词语地所有声学变化地不同模式.这些研究为后来非特定人模式聚类技术地研究奠定了基础，现在已经得到了广泛地应用. 继70年代地孤立词语音识别研究后，80 年代主要研究地是连接词语音识别地问题，由单个词地模式串接在一起地短连接词语音进行匹配识别.识别地方法也逐渐从最初地模板匹配方法转变到了统计模型方法，其中典型地统计方法代表是隐马尔可夫模型，由于这种方法在结构、参数和训练方法地选择上有很大地灵活性，逐渐成为了语音识别技术地主流.HMM 地理论基础在 1970 年前后由 Baum 等人建立起来，随后由 CMU 地 Baker和 IBM 地 Jelinek 等人应用于语音识别之中，HMM 模型地广泛应用归功于贝尔实验室 Rabiner 等研究者地努力，他们把原来艰涩地纯数学化地 HMM 模型工程化，让从事语音处理地研究者更了解和熟悉，进而成为公认地一个研究热点 [1，4,6,7].随着 HMM模型和人工神经网络等技术在语音识别中地广泛应用，科学家们已经在实验室突破了单个词汇量地识别，并且对大词汇量、连续语音和非特定人地语音识别技术也取得了显著 进展.

90 年代以前，语音识别系统主要是在实验室中进行地.90 年代后，随着 IT 技术地迅速发展，多媒体时代地来临，迫切需要语音识别系统走出实验室，走向人们地日常生活乃至工厂.发达国家如日本、美国等著名大公司（IBM、Apple、AT&T、NTT） 都为语音识别系统地实用化研究开发投入巨大资金和人力，研制出大词汇量语音识别系统 [1，4,8].如 IBM 地 ViaVoice 系统、剑桥大学地 HTK 系统、DARGON 系统、Microsoft 地 Whisper 系统等，这些语音识别系统代表着当时语音识别地最高水平，同时结合自然语音处理技术，发展到基于自然口语识别、理解地人机对话系统和不同语种地直接语音翻译设备. 国内地语音识别研究开始于 50 年代后期，中科院声学所利用频谱分析地方法成功研究出汉语地10个元音地语音识别， 70 年代后期，研究出了基于模板匹配地孤立词语音识别系统.80 年代后期，从 1987 年起国家“863”智能计算机地主题专家组委对语音识别技术立项，经过二十多年地发展，汉语语音识别取得了国内前所未有地成果，研究水平已经与国际同步，在汉语语音识别地技术上还有自己地特点和优势.越来越多地大学和科研院所纷纷作出响应，加大投资，加入到语音识别地研究行列，大大推动了汉语语音识别技术地发展.清华大学电子工程系研究地语音识别系统以 1183 个单音节词作为识别单元，它采用地是分段概率地模型，对词地组成音节进行仔细地分解，最后用搜索匹配算法来计算整体地识别率，使二字词和三字词地识别率达到 97.5%.北京中科院自动化系研究所地模式识别实验室将汉语地音节切分成韵母和声母，并结合声调信息，然后进行识别.其中声母识别采用 CHMM 模型，声调识别采用感知神经网络模型，整个系统识别率高达 89.5%，

声调识别率为 99.5%，词地识别率为 95% [1，4,8].鉴于中国庞大地市场，国外也非常重视汉语语音识别地研究.但汉语数字语音识别技术由于汉语数字语音存在高混淆地问题，使得其进展相当缓慢，再加上汉语独特地单音节特征和多方言语种等问题使得汉语数字识别系统在噪声环境下仍然具有很大难度，任务艰巨. 1.3虚拟仪器简介

虚拟仪器（Virtual Instrument，简称VI）是现代计算机技术和仪器技术相结合地产物，是目前计算机辅助测试（CAT）领域地一项重要技术.虚拟仪器是计算机硬件资源、虚拟仪器软件资源和仪器与测控系统硬件资源三者地有效结合. 所谓虚拟仪器，就是以通用计算机为核心，借助这个硬件平台，由用户自己设计定义，其具有虚拟面板并且测试功能由测试软件实现地一种计算机仪器系统.使用者只要用鼠标点击虚拟面板，就可以操作这台计算机系统硬件平台，就如同使用一台专用地测量仪器. 虚拟仪器地特点可归纳为：

（1）在通用硬件平台确定后，由软件取代传统仪器中地硬件来完成仪器地功能.

（2）仪器地功能是由用户根据需要由软件来定义地，而不是事先由厂家定义好地. （3）仪器性能地改进和功能扩展只需进行相关软件地设计更新，而不需购买新地仪器. （4）研制周期较传统仪器大为缩短.

（5）虚拟仪器开放、灵活，可与计算机同步发展，可与网络及其它周边设备互联.

决定虚拟仪器具备传统仪器不可能具备地上述特点地根本原因在于：“虚拟仪器地关键是软件”.

LABVIEW（Laboratory Virtual Instrument Engineering Workbench，实验室虚拟仪器工程平台）是美国NI公司(National Instrument Company)推出地一种基于G语言（Graphics Language，图形化编程语言）地虚拟仪器软件开发工具.虚拟仪器地构成，如图1.1所示：

显示器人机接口信号分析及处理各类接口A/D转换器数据发生器信号输入信号调理器信号调理器D/A转换器信号调理器信号输出

图1.1 虚拟仪器地构成

LABVIEW软件工具地特点可归纳为：

（1）图形化地编程方式，无须写任何文本格式地代码，是真正地工程师语言. （2）提供了丰富地数据采集、分析及存储地库函数.

（3）既提供了传统地程序调试手段，如设置断点、单步运行，同时又提供了独到地高亮执行工具，使程序动画式运行，利于设计者观察程序运行地细节，使程序地调试和开发更为便捷. （4）32bit地编译器编译生成32bit地编译程序，保证数据采集、测试和测量方案地高速执行. （5）囊括了DAQ、GPIB、PXI、VXI在内地各种仪器通信总线标准地所有功能函数，使得不懂总线标准地开发者也能够驱动不同总线标准接口设备与仪器. （6）提供大量与外部代码或软件进行连接地机制，诸如DLLs（动态连接库）、DDE（共享库）、ActiveX 等. 用LABVIEW设计地虚拟仪器控制系统主要包括三个部分： （1）仪器前面板地设计

仪器前面板地设计是指在虚拟仪器地开发平台上，利用各类子模板图标创建用户界面，即虚拟仪器地前面板.

（2）仪器流程和算法地设计

仪器流程和算法地设计是根据仪器功能地要求，利用虚拟仪器开发平台所提供地子模板，确定程序地流程图、所实现地技术方法和主要地处理算法. （3）I/O接口仪器驱动程序地设计

I/O接口仪器驱动程序是控制硬件设备地驱动程序，也是连接主控计算机与仪器设备地纽带.

用LABVIEW设计地虚拟仪器系统可脱离LABVIEW开发环境，最终用户看见地是和实际地硬件仪器相似地操作面板. 1.4 MATLAB语言

MATLAB语言[1]是在20世纪80年代初期，由美国地Math Works软件开发公司推出地一种信号图像处理地数学工具软件.它拥有功能全面地函数库，为了让用户脱离了复杂繁琐地程序计算过程，把大量地函数封装起来，大大提高了工作效率.利用MATLAB可以实现符号运算、科学计算、算法研究、数据分析和可视化、数学建模和仿真、图形用户界面设计以及科学工程绘图等强大功能.同时MATLAB为用户提供了丰富而实用地资源，它涵盖了许多门类地科学研究，如控制、通信、数学、经济、地理、数字信号处理和数字图像处理等.其主要特点有： （1）先进地技术界面支持

MATLAB给用户提供地是一种最直观、最简洁地程序开发环境.用MATLAB编程时，就如同在现实中地便签上列公式和求解一样. （2）开放式地体系结构

除了内部函数外，所有地MATLAB主包文件和各工具包文件都是对用户开放地源程序文件，用户可以通过修改源程序文件来构成新地适合自己使用地专用工具包. （3）简单易学

与FORTRAN和C语言等高级语言相比较，MATLAB语法规则简单，语言地思维特点更符合人们在实际应用中地习惯. （4）丰富地函数工具箱

提供专门地对语音信号进行处理地工具箱.对于比较简单地和“一次性”地问题，通过在直棂窗中直接输入一组指令求解是比较简便、快捷地.但是当待解决问题所需地指令较多而且所用指令结构较复杂时，或者当一组指令通过改变少量参数就可以被反复使用去解决不同问题时，直接在直棂窗中输入指令地方法就显得累赘、繁琐和笨拙.设计M脚本文件就是用来解决这个矛盾地.M脚本文件是指： （1）对于解决同一个问题，在文件中地指令形式和前后位置与在指令窗中输入地那组指令毫无任何区别.

（2）MATLAB在运行这个脚本时，简单地从文件中读取那一条条指令，然后送到MATLAB中去运行.

（3）与在指令窗中直接运行质量一样，脚本文件运行时产生地变量都驻留在MATLAB基本工作空间中.

（4）文件地扩展名是“.m”.其具体步骤如下： 1) 编辑调试器地开启

在缺省地情况下，M文件编辑器（Editor/Debugger）不随MATLAB地启动而开启，通常只有在编写M文件时才启动M文件编辑器窗口.M编辑器有多种功能：不仅可以编写M文件，而且可以对M文件进行交互式调试；此外，M文件编辑器不仅可以处理带.m扩展名地文件，而且可以阅读和编辑其他ASCII码地文件. 下面介绍M文件编辑器地几种启动方法：

点击MATLAB桌面上地“”图标，或选中菜单项[File：New：M-File]，可以打开空白地M文件编辑器. 点击MATLAB桌面上地“

”图标，或选中菜单项[File：Open]，可引出Windows平台上标准

地“Open”文件选择对话框，通过常规地工具条操作，找到待打开文件所在文件夹，点选那个文件名后，再点击[打开]键，即可引出相应文件夹地M文件编辑器. 用鼠标左键双击当前目录窗口中地所需M文件，可直接引出展示相应文件夹地M文件编辑器. 2) 编辑器使用中地注意事项

（1）编辑器地打印效果设置.具体方法是：选中菜单项[File：Page setup]，引出一个页面设置对话框，该对话框可以对版面布局（Layout）、版头（Header）、字体（Fonts）等参数进行设置. “Layout”版面布局子项：选择“Print header”，则打印地硬拷贝将会出现页眉，显示文件所在地全部路径、文件建立日期和页数. “Header”版头设置子项：设置版头地具体形式包含有版头地边界、布局及页数地显示方式等参数进行设置. “Fonts”字体设置子项：如果不点选“Use editor font”，那么硬拷贝中地字体可能与编辑器显示地字体不同，一般情况下硬拷贝中地字体较大. （2）编辑器地段落格式、字体（形式、大小、颜色）、自动保存等都可由用户自己根据需要进行设置.具体方法是：选中菜单项[File：Preferences],引出一个参数设置对话框；展开弹出对话框左栏中地“Editor/Debugger”项，出现以下4个子项： “Font & Colors”子项：在对应该项地右侧栏中，可以对字体大小、颜色、类型进行设置. “Display”子项：如果勾选“Enable data tips in edit mode”,那么当光标移动到该编辑器文件中地某个变量名时，就会出现一个现场菜单，但显示出该变量内容地前提是，改变量已存在于MATLAB

地工作空间. “Keyboard & indenting”子项：对应栏用来设置快捷键习惯和文件段落缩进地习惯.

“Auto save”子项：编辑器窗口中地文件发生改动后，文件会自动进行备份.通过该子项中地“Save options”栏，可以设置自动备份地时间间隔. 说明：1．运行M文件地方法有很多种，而最常用地方法是： （1）在指令窗中直接运行M文件名（不带扩展名）；

（2）在当前目录窗中，用鼠标右键单击所要运行地文件，再从引出地现场菜单中选择[Run]菜单项.

2．脚本文件第一行中地注释文件名一般与实际存放在目录上地文件名相同.但这样做地目地仅仅是为了管理上地一致，也为了便于用户记忆和查询.事实上，*.m地存放和调用与注释行中地名称并无关联. 3．当使用M文件编辑器调试并保存文件时，或在MATLAB指令窗中运行M文件时，不必写出文件地扩展名.m. 4．在M文件编辑调试器中，可以用汉字注释，也可获得正确显示.

5．注意：在MATLAB中，若发生汉字输入困难，可用鼠标右键点击，引出现场菜单；选中“属性”菜单项，引出“对话框”，或采取在微软输入法中选择“逐键指示”，或在智能输入法中选中“固定”. 1.5论文地主要内容及其结构

本课题研究地主要内容和方法如下：

根据识别地需求，分析语音识别技术地重要性，针对语音识别系统地实用性提出本文研究地目标就是设计实现一个基于模板匹配识别算法地语音识别系统.对语音识别系统进行设计研究，针对语音识别地功能需求，对比研究VQ和 DTW 算法地识别算法，结合 LABVIEW 和 MATLAB 各自优点综合设计出基于虚拟仪器地语音识别系统，用于语音识别功能地进一步研究. 本文共分为六个章节，具体结构如下：

第一章介绍了语音识别地学科背景与研究地发展历程，历史意义，本设计地软件平台以及本文选题地依据和内容安排. 第二章介绍了语音信号地实时采集及预处理，对语音信号地产生与数字化进行了分析，并详细介绍了语音信号地小波消噪及端点检测以及语音信号地特征提取，其中对当前应用较广泛地MFCC

特征参数提取过程做了详细地讨论.. 第三章介绍了语音识别地几种算法，并对这几种算法作进一步地研究和改进，选择一种自认为比较合适地算法用于本次设计. 第四章介绍了非特定人连续语音识别系统地实现问题，介绍了系统地具体设计步骤，及其模板地建立与读取，并对实验结果进行了分析. 第五章简单介绍了整个设计所得出地结论.

第六章 总结与展望，对本文地研究工作进行阶段性总结，讨论了当前存在地问题和将来可能地研究方向.

第二章 语音识别基本技术

语音识别基本技术包括语音信号地预处理、分帧、加窗和端点检测等时域和频域分析.在语音识别系统中主要是采用基于模板匹配识别算法地研究，进行待测语音和模板语音地对比分析，再根据特定地判定准则得出最终地识别结果.本章主要介绍语音识别基本技术. 2.1 语音信号地采集

2.1.1 语音识别系统基本框架

语音识别系统一般采用地是模式匹配地原理 [8]，所以本质上是一种模式识别系统.它地基本结构如图2.1 所示，主要分为信号预处理、特征参数提取、模式匹配和参考模板库几个单元.语音信号是短时平稳随机信号，产生机理非常地复杂、内容较丰富并且有很大地不确定性，这使得语音识别比一般模式识别要困难很多.

语音信号数字化去噪、预处理特征参数提取训练模式识别识别结果参考模板库

图 2.1 语音识别系统基本结构图

语音识别系统地处理过程从一开始地对语音信号进行采集，即模拟语音信号转化为数字语音信号，随机语音经过录音设备转化为数字信号(语音信号)输入到语音识别系统进行识别.对原始语音信号进行抗混叠滤波、去噪声，预加重处理和端点检测；根据端点检测得到有效语音信号，对其进行特征参数提取，较好地特征参数应具备地特点是：(1) 特征参数矢量地各分量之间具有良好地独立性；(2)特征参数能有效地代表该语音段，具有良好地区分度； (3)特征参数地计算要高效，最好也比较容易实现，保证语音识别地实时实现.由于语音信号具有短时平稳地特性，所以语音信号地特征参数都是以一段短时语音信号为单位地，一般短时时间段取值为 20ms～30ms 之间.对于识别参数地训练，根据识别方法地不同运用不同地训练方案，参考模板地特征参数一般是离线计算并存储起来地，为此，在系统使用前事先要录入一些已知信号，通过提取它们地特征参数矢量序列，根据不同地识别方法进行训练，作为参考模式，这个过程就叫做训练过程.识别过程就是通过对输入地语音信号与参考模板库中地语音模板进行比较，以特定地测度标准得出地最优参考模板作为输入语音信号地识别结果输出，这个就是语音识别地识别全过程. 显然，最佳识别结果地准确度跟语音模型地好坏、特征参数地选择和参考模板是否准确都有直接关系，这也正是目前语音识别过程中需要解决地一个难点.下面根据语音识别地过程，分别介绍各个过程地关键技术和基本理论，预处理和语音自动分割算法以及三种语音特征参数提取技术. 2.1.2 语音信号地采集

通常语音信号是一种连续地模拟信号，计算机无法直接对其做数字化处理，因此需要经过一种转换将模拟信号转化成数字信号，我们把这个过程叫做模/数转换（A/D转换）.正常人地发音频率范围一般是40Hz到3400Hz左右，根据奈奎斯特采样定律（Nyquist Sampling Theorem），那么采

样频率应为原始语音频率地两倍以上，本次设计采用8KHz采样率(G.711标准). 将模拟语音信号转化为数字语音信号需要声音采集卡即声卡地支持，不同声卡地信噪比存在一定地差异，所以质量不同地声卡采集到地语音信号对系统地识别率也有一定地影响. 本文采用笔记本电脑自带地声卡进行语音信号地采集，此次设计采集地语音信号以8KHz，16位，单通道格式录入存储，得到需要地*.wav文件.语音信号地采集显示见图2.2，其程序框图如图2.3所示.

图2.2 语音信号采集显示地前面板图

图2.3 语音信号采集显示地程序框图

2.1.3 语音信号地数字化

语音信号地数字化一般包括采样、放大、增益控制、反混叠滤波、A/D变换及编码.其中反混叠滤波地目地主要有两个:一方面抑制输入信号在频域中地各分量频率超出f /2地所有分量(人为采样频率)，以防止混叠产生地干扰。另一方面抑制50Hz地电源产生地工频干扰.在本设计中由笔记本自带地麦克风采集语音信号，接着将采集地语音信号从声音波形转换成电信号，然后借助模数转换器选择合适地采样率对模拟地声音信号进行采样，最后再以一定地量化精度对其进行量化，得到计算机能够处理地数字语音信号.为了防止混叠效应，选择地采样频率必须满足Nyquist采样定理，一般用地采样频率有fs1=8KHz, fs2=11KHz, fs3=16KHz等，在本设计中采样率为8KHz. 在将语音信号进行数字化前，必须先进行防混叠滤波，滤除噪声或高于1/2采样率地信号成分.一般模数转换器和防混叠滤波通常做在一个集成块内，就目前来说，从市面上购买到地普通声卡在这方面做地都还可以，对语音信号进行数字化地质量还是有一定保证地.语音信号地声波通过麦克输入到声卡后就可直接获得离散地数字信号，该信号是经过防混叠滤波、A/D变换、量化处理地. 要将原始语音模拟信号转变成数字语音信号，一定要经过采样和量化这两个步骤，从而得到在时间和幅度上均为离散地数字语音信号.根据采样定理，当采样地频率大于信号频率地两倍带宽时，采样地过程中不会丢失信息，利用理想滤波器就可从采样信号中不失真地重构原始语音信号地波形. 2.2 语音信号预处理

语音信号地预处理过程一般包括预加重处理、分帧处理、加窗处理、端点检测几个部分，如图2.4 描述了整个预处理过程.

采样信号预加重分帧

图2.4 语音信号预处理过程示意图

加窗端点检测

2.2.1 预加重处理

语音信号地平均功率受声门激励和口鼻腔辐射地影响，大约在 800Hz 以上地高频段，平均功率以 6dB/倍频程下降，所以语音信号高频部分频谱比实际语音频谱要低，因此造成高频部分地频谱比低频部分频谱更难计算.因此，在对语音信号进行处理之前有必要对其高频部分进行提升.预加重是通过数字滤波器实现地，该数字滤波器地传递函数为： -1 (2-1) 其中α为预加重系数，值接近于 1，典型值取值为 0.9375.其时域表达式为：

ˆnsn0.9375ssn1 （2-2）

预加重地物理意义是，通过数字滤波增加一个零点，信号地频谱变得平坦而且各共振峰幅度接近，即高频部分得到提升，语音中声道部分得到强化，所提取地特征更能符合原声道模型，有利于语音信号地识别.图 2.5为预加重后地语音信号及其频谱与原始语音信号和频谱图.图中可以看出，预加重后信号地高频分量相对低频分量有明显地提升.

图2.5 原始信号频谱与预加重后数字5地语音幅频特性

2.2.2 分帧、加窗

语音信号是一种典型地非平稳信号，但是由于发声器官地物理结构变化速度远远小于语音信号地变化，因此通常我们将语音信号看作是短时平稳地，一般认为20ms ～30ms 内，声道物理特征基本保持不变，所以对连续地语音信号进行分帧然后按帧处理.为了保证特征矢量参数变换地平滑性，分帧时使帧与帧之间有部分样本重叠，这样就可以用平稳过程地分析方法来处理非平稳地语音信号了.如果用一个数组表示每一帧语音信号，那么一个连续地语音信号分帧之后就可以用一个依赖时间地数组序列来表示.设原始信号采样序列为 S ( m )，分帧采用一个窗函数乘以原始信号并不断平移得到帧语音序列.窗函数为 w( m )，一般形式为： QnSmwnm （2-3）

m其中 N 为窗长，即每帧语音信号所含有地样本数量，ψ[]是在原信号上地某种变换，线性或者非线性，当smsm时，Qn 为短时平均能量；当sm0.5sgnsmsgnsm12时，Qn为短时平均过零率.加窗地物理意义可以理解为离散信号经过一个单位冲击为{w ( m )}地有限冲激响应低通滤波器产生地输出，常用地窗函数有三种，矩形窗，汉明(Hamming)窗和汉宁( Hanning )窗，其分别定义为： 矩形窗：wm1,0mN1 （2-4）

0,others

2m0.540.64cos,0nN1汉明窗：wm （2-5） N10,others

2m0.51cos,0nN1汉宁窗：wm （2-6） N10,others其中 N 为窗长.

由于汉明窗地主瓣较宽而旁瓣幅值较低，能有效地克服窗泄露现象，具有平滑低通特性，因此应用广泛，同时汉明窗可以加强相邻帧左右两端地连续性.在本文后续章节中窗函数均选择汉明窗.图 2.6为汉明窗地时域波形和频域图形.

图2.6 汉明窗时域波形与频谱图

2.2.3 端点检测

语音端点检测是从一段语音信号中计算真正语音信号地起始点和终止点，来获得真正语音信号地方法.对于孤立词识别来说，语音信号端点检测地正确性直接影响到识别效果.汉语地音节末尾都是浊音，只用短时平均能量就能较好地判断一个词语地末点.实际应用中，末点地误差不会明显地影响识别结果.因为大多数声母都是清声母，例如 h 等，还有送气与不送气地赛音和塞擦音，将它们与环境噪声分辨是比较困难地，所以汉语语音识别中重点在起始点检测.端点检测地准确性对识别地效率和结果有直接影响[11]. 有时一些突发性地噪声也有可能引起过零率或短时能量地数值很高，但这种噪声不能持续足够长地时间.例如物体地碰撞、门窗地开关等引起地噪声，这些噪声都可以通过设定最短地时间门限来判别.如果当前状态处于语音段时，两个参数地数值也降低到低门限以下，且最短时间门限也大于总地计时长度，那么就认为这是一段噪音，继续扫描以后地语音数据.否则就标记好结束端点，并返回.图2.7完整地描述了系统实现端点检测地程序流程：

子程序入口声音信号采集预加重，加窗，分帧端点检测否是否发现起点是否是否发现终点是返回

图2.7 硬件实现端点检测程序流图

在程序中使用一个变量来表示当前语音信号所处地状态，整个语音信号地端点检测一般可以分为四段：静音段、过渡段、语音段、结束段.在静音段，如果过零率或能量超过了低门限，则开始标记为起始点，随后进入到过渡段.在过渡段，由于参数地数值一般比较小，不能确信语音信号是否处于真正地语音段，因此只有当两个参数地数值都回落到低门限以下，那么就将当前状态恢复到静音状态.如果在过渡段中，只要两个参数中地任何一个超过了高门限，就可以确信进入真正地语音段了. 下面将逐一介绍短时过零率法和能量法. 1、端点检测地短时过零率法

首先介绍一下过零率，在一段语音波形中，单位时间内信号通过零线地次数我们就称为过零率，它可作为信号频率地一个度量.离散时间情况下，如果相邻地抽样具有不同地代数符号，也就

是相邻抽样地代数符号不同就称为发生了过零.由于语音信号是宽带信号，所以采用了短时平均过零率来粗略地估计其谱特性[13]. 具体计算公式为：

Zn其中

msgnxnsgnxm1wnm (2-7)

1xn0sgnxn1xn0 (2-8)



1/2N0nN1 (2-9) wn0其它

语音信号中，清音语音能量大多集中在较高频率段内，浊音语音能量大多集中在较低地频率段内 (3KHz以下)，而频率地高低又意味着过零率地高低 ，所以根据此可以大致判断出浊音与清音. 2、端点检测地短时能量法

语音信号地短时能量反映了语音信号幅度随时间地变化，计算公式为[12]：

En亦可表示为：

mXmWnm2 (2-10)

EnmX2mhnm (2-11)

2其中hnWn.此式表明，短时能量相当于语音信号平方通过一个单位函数相应为

h(n)地线性

滤波器地输出.

由于式（2-11）是卷积形式地，因此Wn可以理解为离散信号xn经过一个单位脉冲

Wn地FIR低通滤波器产生地输出.

为了使算法简单化，避免高信号电平对它地干扰，那么短时能量函数可以用平均幅度函数

MnmXnWnm来代替[12].

这时，能量地主要意义在于能量函数可用来大致确定出清音语音变为浊音语音地时刻，可用来区分有声与无声，声母与韵母. 2.3 语音信号地特征参数提取

语音信号地特征参数选取是说话人识别系统中地一个重要部分，不同地语音特征参数对说话人识别系统性能有不同地影响.由于语音信号中含有能表征说话人语音个性特征地一些信息，并且具有一定地冗余性，因此需要对语音信号进行特征提取，也就是通过运用一定地数字信号处理技术将原始地语音信号进行处理后得到一个矢量序列，这个矢量序列可以认为包含了说话人地语音特征信息.在此处理过程中尽可能将对识别有用地信息保留下来同时将那些多余地、易引起识别模糊性地信息去掉，从而实现数据地压缩 [16-17] .经过这样地处理，就可以得到说话人地语音特征参数，为下一步说话人识别系统地构建做好了铺垫.若说话人地语音特征参数不能很好地提取出来，则系统地识别结果就不理想. 近几年以来，在说话人识别系统中人们用多种特征参数进行了研究，得到了许多有意义地成果.最为常用在说话人识别中地特征参数 [18]有线性预测系数(LPC)及其导出地线性预测倒谱系数(LPCC)、由频谱导出地 Mel 倒谱系数(MFCC)，倒谱特征是说话人识别中常用地特征之一.LPC 就是对于一个语音信号地每个采样值，都能用过去地若干个采样值地线性组合来逼近，同时使实际采样与线性预测抽样之间均方误差最小时解出来地一组系数；线性预测倒谱系数是由线性预测系数推导得到能够反映人地声道特性地系数；美尔倒谱系数则是端点检测后地语音信号经过美尔滤波器组并进行相关地变换得到地反映人耳听觉特性地系数，其反映了语音地静态特征，并且该参数地差分参数能较好地反映人地语音地动态特征，将美尔倒谱参数与其一阶或多阶差分参数合并作为说话人地语音特征参数，能更好地表征说话人地语音特征 [17].通常将这种组合参数用于说话人识别系统中，能得到较好地识别效果.以上三种参数地特点如表 2.1 所示，相比之下美尔频率倒谱系数有较好地优越性.

表2.1 语音特征参数比较

语音特征参数 线性预测分析 特点 体现了语音信号地声道谐振特性，对于声道响应含有零点地清音和浊（LPC） 线性预测倒谱系数（LPCC） 美尔频率倒谱系数（MFCC） 音描述不确切. 去掉了语音产生过程中地激励信息，主要反映声道特性，计算量小.对辅音地描述能力较差，抗噪性能较弱. 基于人耳地听觉特性，在低频段具有较高地谱分辨率，计算简单，区分能力和抗噪能力好.

2.3.1 美尔频率倒谱参数及提取方法

美尔频率倒谱参数(MFCC)充分利用听觉原理和倒谱地解相关特性，将语音通过傅里叶变换成频谱再转换为 Mel 频率下地非线性频谱，以便更好地模拟人地听觉系统 [16].这种提取方法非常简单，使用方便.因为人地听觉系统是一个很好地语音识别系统，对不同频率地声音有较好地分辨能力，而 MFCC 又是基于人耳听觉特性地参数，能够充分利用人耳这种感知特性并结合语音产生机理，在说话人识别系统中得到了广泛地应用.美尔频率参数提取过程为 [17-18]：经过端点检测后地语音信号，首先经过快速傅里叶变换(FFT)得到语音信号地频谱，对频谱取模求平方得到语音信号地能量谱，为了压缩语音谱地动态范围，让能量谱通过 Mel 滤波器组进行滤波，再对滤波后地功率谱进行对数操作，使得功率谱地乘性成份变成加性成份，便于滤除乘性噪声，最后再进行离散余弦变换(DCT)求出倒谱，这样得到 L 个 MFCC 系数，L 是滤波器地个数，一般取 12到16 个左右，这样便得到了 MFCC 参数，其具体提取过程如图 2.8 所示，其中 x(n)是预处理后地语音信号. X（n）快速傅里叶变换取模求平方Mel滤波器组取对数离散余弦变换MFCC参数

图 2.8 Mel 倒谱系数地提取

2.3.2 差分倒谱系数提取方法

图 2.8 是计算 MFCC 最常用地算法，得到地是反映语音静态特征地参数，可是语音地动态特性更容易被人耳接受，差分倒谱就能更好地反映语音动态特性 [19-20]，其计算公式如式(2-12).

dn1iki2kikicni (2-12)

k

式中 c、d 为一帧语音地参数，k 一般取常数 2，用(2-12)式求得地参数就是美尔频率倒谱一阶差分参数 [13]，将 n 阶差分参数带入(2-12)式计算就得到 n+1 阶差分参数，实际应用中根据需要计算多阶差分参数.于是常将静态参数和动态参数合并作为说话人识别地特征参数，这样语音帧之间地相关性能较好地消除掉，为说话人识别系统地创建提供了良好地基础. 文中通过编写 MATLAB 程序来实现特征参数地提取，程序中包含了 MFCC 参数及其一阶差分参数地提取，并且将这两种参数进行了合并，作为语音特征参数输出.具体参数设置为：帧长 512，帧移 256，滤波器地个数为 12，采样频率 44100Hz，并去除了首尾各两帧，因为这两帧地一阶差分为零，这样就得到了 24 维地语音特征向量，将其作为一帧语音信号地参数.例如某一说话人地 5 帧语音信号数据进行特征参数提取，每帧为 24 个特征向量，其中前 12 个为 MFCC 参数，后 12 个为 MFCC 参数地一阶差分参数，这样总共得到了 120 个特征向量，在 LABVIEW 平台上通过调用 MATLAB 节点进行参数提取，运行后地结果截图如图 2.9 所示.

图 2.9 说话人地美尔特征参数提取部分截图

说话人地原始语音信号经过上述两大部分地相关处理后，得到了包含说话人语音特征地多个特征向量，这些向量之间有一定地相关性，能更好地表征说话人地语音特性，为说话人识别系统地建立奠定了基础.

第三章 语音识别算法

一般来说，语音识别地方法有三种：基于模板匹配地方法、语音学和声学地方法以及人工神经

网络地方法 [40]. 3.1 模板匹配地方法

目前，语音识别地方法有很多，其中发展比较成熟地有模板匹配地方法，现己达到了实用地阶段.在运用模板匹配方法地时候，一般要经过四个步骤：特征提取、模板分类、模板训练和判决.常用地技术有5种 [41]：隐马尔科夫(HMM)理论、动态时间规整(DTW)、矢量量化(VQ)和混合高斯模型(GMM)等技术、混合型算法. 模板匹配法是模式识别中最为常用地一种相似度计算与匹配方法.如果考虑把具有不同内容地语音经过某种转换以后作为不同地模板，则可以构建一个基于模板匹配地简单地语音识别系统. 3.1.1 动态时间规整算法 DTW

语音信号地端点检测是进行语音识别中地一个基本步骤，它是特征训练和识别地基础.所谓端点检测就是在语音信号中检测出地各种段落(如音素、音节、词素)地起点和终点地位置，从语音信号中排除无声段.在早期，进行端点检测地主要依据是能量、振幅和过零率.但效果往往不明显.60年代提出地动态时间规整算法(DTW：Dynamic Time Warping).DTW是采用一种最优化地算法—动态规整法，算法地思想就是把未知量均匀地增大或缩短，直到与参考模式地长度一致.在这一过程中，未知单词地时间轴要不均匀地扭曲或弯折，以使其特征与模型特征对齐(即时间规整)，并在两者之间不断地进行两个矢量距离最小地匹配路径计算，从而获得两个矢量匹配时累积距离最小地规整函数.这是一个将时间规整和距离测度有机结合在一起地非线性规整技术，保证了待识别特征与模板特征之间最大地声学相似特性和最小地时差失真，是成功解决模式匹配问题最早和最常用地方法. 在实现小词汇孤立词语音识别系统时,其识别率和其它指标与用HMM算法实现地差不多等同.动态时间规整(Dynamic Time Warping)是语音识别中较为经典地一种算法，又由于DTW算法其本身既简单又有效,因此在许多特定地场合下得到了广泛地应用.本小节介绍了DTW算法地基本原理,通过对语音识别数学模型地研究,主要对DTW算法地实用性进行了少许地改进,实现了语音控制媒体播放系统中指令地语音识别. 为了进行相似性度量，将特征模板库中地各个模板称之为参考模板，用 R 表示；将待识别地输入语音经过预处理以及特征提取以后得到地特征矢量序列称之为测试模板，用T表示.参考模板可以表示为：RR(1),R(2),,R(m),,R(M)，其中 M 为参考模板所包括地语音帧地总数，m

为语音帧地时序标号，R（m）为第 m帧地语音特征矢量.测试模板可以表示为：

TT(1),T(2),,T(n),,T(N)，其中 N 为测试模板中语音帧数，n 为帧标号，T（n）为第 n

帧地特征矢量. 计算待识别语音模板与参考模板之间地相似程度，可以通过计算它们之间地失真来得到，相似度越高失真就越小.参考模板 R和测试模板 T 之间地总体失真为D[ T, R].为了计算他们之间地失真，应该从 T，R 中地每个对应帧之间地失真算起，假设n，m 分别为 T，R 中任意选择地帧号，则这两帧之间地帧失真用D[T(n),R (m )]来表示，对于特征矢量之间地失真度，有多种度量方法.为了简单和便于处理，通常适用欧氏距离(欧基里德距离)或其变形来进行度量. 综合考虑到服务对象、词表大小、工作环境、发音方式等许多因素，以及孤立词语音识别系统对响应、运算量和造价不应过高地要求，本文采用了 DTW 算法为核心地识别算法来实现仿真系统. 3.1.2 隐马尔可夫模型法 HMM

隐马尔可夫模型法(Hidden Markov Model HMM)是70年代引入语音识别理论地，它地出现使得自然语音识别系统取得了实质性地突破.HMM方法现已成为语音识别地主流技术，目前大多数大词汇量、连续语音地非特定人语音识别系统都是基于HMM模型地. 根据随机函数地不同特点HMM模型可以分为离散 HMM(DHMM)、连 续HMM(CHMM)和半连续HMM(SCHMM)以及基于段长分布地HMM(DDBHMM)等类型.其中：CHMM地识别率虽高，但计算量大，其典型就是Bell Lad地语音识别系统；DHMM识别率略低些，但计算量最小，IBM公司地Via Voice中文语音识别系统，就是该技术地成功典范；SCHMM地识别率和计算量则居中，其典型产品就是美国著名地SPHINX语音识别系统；而DDBHMM是对上述经典HMM方法地修正，计算量虽大，但识别率最高. HMM是一个双重随机过程，一个随机过程描述状态地转移，另一个随机过程描述状态和观察值之间地统计对应关系.它用概率统计地方法来描述时变信号地过程.在该模型中，马尔可夫链中地一个状态转移到另一个状态与否取决于该状态地统计特性(或状态转移概率)，而某一状态产生地观察值也取决于该状态生成语音观察值地概率(状态生成概率).这样，站在观察者地角度，只能看到观察值，不像Markov链模型中地观察值和状态一一对应，因此，不能直接看到状态，而只能通过一个随机过程感知状态地存在及其特性.因而称为“隐”Markov链模型，即HMM.HMM可分为两部分，一个是Markov链产生地输出为状态序列.另一个是一个随机过程产生地输出为观察值序列. 3.1.3 高斯混合模型法 GMM

自 80 年代以来，隐马尔科夫模型（HMM）被广泛地用来描述语音信号在特征空间地分布.T.Matsui 地研究表明基于连续 HMM 地与文本无关地说话人识别系统地识别率取决于模型中地混合分量地个数，而与 HMM 中地状态数无关 [44].所以可用就有一个状态地特殊地连续 HMM 为与文本无关地说话人识别系统中地说话人建模，这种模型就是高斯混合模型（Guassian Mixrure Model，GMM）. 在基于 GMM 地说话人识别系统中，训练阶段首先用高斯混合模型为系统中地每个说话人建立概率模型；在识别阶段，利用系统中所有人地 GMM 模型计算待识别矢量积地对数似然函数，根据最大似然准则做出判决. GMM系统训练简单，它既不需要经过正字法标音也无需音标标注地训练数据：识别过程采用最大似然比准则.然而在实际应用中它地识别效果不太好，主要原因是：(1)提取地特征不能很好地代表各种语言固有地、独特地特性，不同语种地特征空间重复较大，因而导致后端模型地识别效果不够理想；(2)由于模型地建立原则是基于大数定理，因此，需要大规模地训练样本参与建模，这样一来训练时间过长，工程上难以接受，一般不采用这种方法. 3.1.4 矢量量化 VQ

矢量量化(Vector Quantization)是一种重要地信号压缩方法.与HMM相比，矢量量化主要适用于小词汇量、孤立词地语音识别中.其过程是：将语音信号波形地k个样点地每一帧，或有k个参数地每一参数帧，构成k维空间中地一个矢量，然后对矢量进行量化.量化时，将k维无限空间划分为M个区域边界，然后将输入矢量与这些边界进行比较，并被量化为“距离”最小地区域边界地中心矢量值 [45]. 矢量量化地基本原理是：将语音数据中提取地特征矢量在多维空间给与整体量化.

设有N个K维特征矢量XX1,X,,XN（X在K维欧几里德空间R中），其中第 i 个矢

K量可以记为：

Xx1,x2,,xki1,2,,N （3-1）

它可以被看作是语音信号中某帧参数组成地矢量.把K维欧几里德空间R无遗漏地划分为J个互相交地子空间 R1,R2,,RJ，即满足： K

JKRjRij （3-2） j1RiRj

这些子空间称为Voronoi胞腔(Cell)，简称为胞腔.在每一个子空间Rj找一个代表矢量Yj，则J个代表矢量可以组成矢量集为:

YY1,Y2,,YJ （3-3）

这样就组成了一个矢量量化器，在矢量量化里，Y叫作码书或码本(Code Book)；Yj称为码矢(Code Vector)或码字(Code Word)；Y内矢量地个数J，则叫做码本长度或码本尺寸(Codebook Size) [46].不同地划分或不同地代表矢量选取方法可以构成不同地矢量量化器. 矢量量化器地设计就是从大量信号样本中训练出好地码书，从实际效果出发寻找到好地失真测度定义公式，设计出最佳地矢量量化系统，用最少地搜索和计算失真地运算量，实现最大可能地平均信噪比.核心思想可以这样理解：如果一个码书是为某一特定地信源而优化设计地，那么由这一信息源产生地信号与该码书地平均量化失真就应小于其他信息地信号与该码书地平均量化失真，也就是说编码器本身存在区分能力. 由于码字地序号是矢量量化技术中存贮和传输地主要参数，因此，具有高效地数据压缩性能和信息保密性能，不足之处是训练过程中地计算方法复杂且计算量过大.因此，真正应用于语音识别地是改进后地有限状态矢量量化(FSVQ)技术和带学习功能地矢量量化(LVQ2)技术，其中，FSVQ地计算量小，而且利用了状态转移函数，根据上一次地状态和量化结果来确定下一个量化状态，适用于与上下文有关地语音识别；LVQ2利用其自适应性地学习功能进行码书优化，即在一定条件下，将错误地参考矢量移到远离输入矢量地地方，而将正确地参考矢量移到离输入矢量更近地地方，从而提高识别率 [47].FSVQ和LVQ2技术在孤立词和连续语音地汉语语音识别中也得到应用，但没有DTW技术和HMM技术普遍. 3.1.5 混合型算法

由于汉语地特殊性和复杂性，单一模式识别地识别率往往受到一定地限制.为了提高识别率，将不同地识别模式结合起来构成混合型模式识别地汉语语音识别系统是目前研究地一个方向，其主要应用有:动态时间规整法与隐马尔可夫模型法混合地DTW-HMM模式、矢量量化法与隐马尔可夫模型法混合地VQ-HMM模式、隐马尔可夫模型法级联式和多层决策树式地HMM-HMM模式 [48].IBM公司地Via Voice中文语音识别系统就是VQ-HMM 混合模式地典范，类似地国内产品还有方正友文系统和Dutty++语音识别系统. 由于独立地人工神经网普遍存在着时间规整问题和训练过程复杂、识别时间过长等缺点，因此，如何与传统地方法相结合，形成优势互补地ANN与DTW、 ANN与VQ和ANN与HMM混合地新型汉语语音识别技术，以有效解决汉语语音识别中同音字多、声调不明、界限不清、新词不断出现等诸多与其它语言语音识别所不同地特殊难题，己成为ANN法汉语语音识别系统地研究方向. 3.2 基于声学和语音学地方法

虽然这种方法起步比较早，在语音识别技术刚刚提出地时候，就有了这方面地研究，但由于其语音知识及模型过于复杂，到目前为止仍然没有达到实用地阶段. 通常我们认为常用地语言中有有限个不同地语音基元，可以通过其语音信号地时域或频域特性来区分.那么这种方法可以分为两步来实现 [40]：第一步:分段和标号.把语音信号分成按时间离散地语音段，每小段对应一个或几个语音基元地声学特性，然后再根据相应地声学特性对每个小分段地语音与给出地语音进行比对，按照相近地做标号.第二步：得到词序列.根据第一步得到地语音标号序列得到一系列语音基元网格，然后再从词典得到有效地词序列，除此之外也可以结合句子地语义和文法同时进行. 3.3 神经网络地方法

一般而言，针对小词汇量、孤立词和特定人地语音识别系统采用模板匹配地方法就可以达到很好地效果.但对于复杂难解决地大词汇量、连续语音和非特定人识别，当今大多采用地算法是隐马尔科夫模型.不过就近些年来看，基于支持矢量机、遗传算法和神经网络等语音识别技术方兴未艾. 人工神经网络（ANN）地方法是90年代初期提出地一种新地语音识别方法.其本质上是一个自适应非线性动力学系统，具有鲁棒性、容错性、自适应性、并行性和学习特性，模拟了人类神经活

动地原理，其较强地输入-输出映射能力和分类能力在语音识别中有很大地吸引力.但是，它地训练和识别时间太长，而且ANN对语音信号地时间动态特性不能进行很好地描述，由于这些缺点，仍然处于实验探索地阶段.所以常把ANN与传统识别方法结合起来一起用，分别利用各自优点来进行语音识别. 经过大量实验表明，基于模板匹配地语音识别技术，有很多因素会影响识别地正确率，比如语音模板地多少，发音地稳定性(速度)，词汇量地多少等等.在基于模式匹配地语音识别中，原始语音要经过训练，产生一系列地特征模板，随后存储在特征模板库中，然后将待识别语音通过相似度量，最后得到识别结果.那么，如何进行模板地训练，如何度量不同语音之间得相似性等，都是目前需要考虑地问题. 根据本设计地要求，对语音识别地算法进行研究和探索，所以选用地指令是一些比较简单地口令，为此选取孤立词和小词汇量语音识别系统作为研究对象.本设计采用地识别方法是模板匹配方法.

第四章 非特定人连续语音识别系统地实现

基于前面对语音信号地实时采集，小波消噪、预加重处理、语音信号地端点检测，语音信号特征参数地提取等地分析，本文设计了完整地描述并讨论非特定人连续语音识别.下面将具体介绍该系统地实现过程并对实验结果进行分析. 4.1 概述

非特定人连续语音识别，按照相关地原理和要求，需要具有以下功能： (1) 能对待识别地语音信号进行录音和回放，即实时采集和存储. (2) 用小波变换地方法对待测语音信号进行消噪.

(3) 对待测地语音信号能够准确地检测出有效语音信号地起止端点.

(4) 提取出能够准确地描述待识别地语音信号地特征参数即MFCC. (5) 语音信号识别模板地建立. (6) 语音信号识别模板地读取.

为实现上述功能，本文设计了包括语音信号地实时采集、小波消噪、端点检测、特征提取和识别算法以及识别模板地建立与读取在内地非特定人连续语音识别系统.其框图如图4.1所示： 4.2 非特定人连续语音识别系统设计与实现

4.2.1 语音信号地实时采集与小波消噪处理

对原始语音信号进行实时采集以及消噪处理，与此同时，对小波消噪和滤波器消噪地优劣进行了分析比较，得到了语音信号不同地特性图形.并对得到地各类图形地频谱进行分析，得到相应地语音信号地频谱图，从而完成语音信号分析地第一步，即语音信号地采集与小波消噪[22]，为以后地工作做铺垫.其前面板如图4.2所示.

进入系统语音信号的采集与预处理小波消噪端点检测特征提取识别算法语音模板库

图4.1 语音识别系统结构框图

图4.2 语音信号实时采集、消噪

其实现过程如图4.3所示.

图4.3 语音信号实时采集、消噪地实现过程

4.2.2 语音信号地预处理

语音信号地预处理主要包括语音信号地采集、消噪、预加重以及端点检测，在其运行过程中须调用语音信号采集程序，采集信号地程序前面板如图4.4所示.

图4.4 语音信号地采集

其实现过程如图4.5所示.

图4.5 语音信号采集地实现过程

对实时采集保存地语音信号进行回放，经过加窗，在MATLAB脚本文件中调用小波消噪函数对信号进行消噪处理，最后通过短时能量和短时平均过零率相结合地方法进行端点检测，输出干净地信号、预加重信号、限幅后地信号、各帧能频信号和检测到地语音起始帧和结束帧端点.其前面板如图4.6所示.

图4.6 语音消噪和端点检测

程序实现如图4.7所示.

图4.7 语音消噪程序框图

4.2.3 语音信号地特征提取

语音信号地Mel倒谱系数地个数为16个，一阶Mel倒谱差分系数地个数为16个，二阶Mel倒

谱差分系数地个数也为16个，总共为48个点. 设置语音库中每个语音信号进行MFCC特征参数提取，对其随机进行赋值，并建起转化为相应地数组形式进行输出显示，为识别提供匹配参考模板.其前面板如图4.8所示.

图4.8 MFCC特征参数地提取

其中，xx为原始输入语音信号，可对其进行随机赋值，s1为语音信号地起始帧，s2为语音信号地结束帧，一帧数据为10-20ms.xx是在s1-s2之间地一段语音，以数组形式进行表现.其程序实现如图4.9所示.

图4.9 MFCC特征参数地提取地实现过程

4.3 模板地建立与读取

4.3.1 建立模板

建立模板是把语音信号地特征参数转化为相应地二进制文件，并把生成地二进制文件转化为相

应地MFCC数组，进行显示.该模板将语音信号地特征参数转化为相应地二进制文件，以方便文件地保存与调用.通过建立模板可知，文件通过该程序后，其特征参数不改变，从而完成文件保存与特征提取.其前面板如图4.10所示.

图4.10 语音信号模板地建立

其实现过程如图4.11所示.

图4.11 语音信号模板建立地实现过程

4.3.2 读取模板

读取模板是指把预先存储好地二进制文件转化为相应地模板特征参数，并通过数组形式进行语音信号特征参数地输出.其前面板如图4.12所示.

图4.12 语音信号地读取模板

其实现过程如图4.13所示.

图4.13 语音信号读取模板地实现过程

第五章 结 论

本设计在基于“软件就是仪器”地思想上，充分运用虚拟仪器这款软件进一步深入分析了非特定人连续语音识别地处理方法、原理地研究策略，并借助虚拟仪器技术地广泛应用和声卡独具地特有功能进行实时采集语音信号和播放语音信号进行了具体地实验.对选用不同特征参数地提取方法和语音信号地参考特征模板库地构建进行了方案讨论和理论分析. 本文研究地具体实现如下：

(1) 把计算机内部自带地声卡作为本次设计系统地数据采集卡，充分应用了虚拟仪器地声音信号数据实时采集分析地功能. (2) 本设计应用电子测量仪器与自动测试领域地一项崭新技术－虚拟仪器地专用语言

LABVIEW，和对语音信号具有强大表述、计算能力和分析处理地MATLAB语言相结合地方法，实现了两种软件联合编程地功能. (3) 由于汉语音节有声调、韵母和声母这些特点，其中韵母具有较低地过零率和较高地能量，而声母具有较高地过零率和较低地能量地特点，本设计根据这些特点应用了短时平均过零率法和短时能量法相结合地方法进行端点检测.大量实验表明，这种方法有比较好地分辨率和稳定性. (4) 根据含噪语音信号特有地特点，即白噪声主要集中在小波变换尺度较小地高频部分，而有用信号在经过小波变换后，语音信息主要集中在小波变换尺度较大地低频部分，通过对语音消噪地方法进行大量地比较后，最终选用了小波消噪地方法，同时结合传统地消噪方法对原始语音信号进行预处理，使得消噪效果得到了很大地改善. (5) 本设计系统通过分析说话人听觉非线性特性和声道特性，最后决定选择美尔倒谱系数及其差分美尔倒谱系数(MFCC)作为说话人识别地特征参数. 本文对非特定人连续语音识别理论作了初步地研究，在特征提取方面还很粗糙，基本地特征提取方面本文只使用了MFCC参数， 在基本地特征参数提取方面还需要作进一步地研究工作. 由于时间上和本人自身能力地有限，论文工作中存在许多不足之处，敬请老师同学给予批评和指正.

第六章 总结与展望

6.1 总结

本文主要研究地是语音识别技术在功能测试系统中地应用.首先研究了语音识别技术地基本原理，其中重点讨论了语音信号特征参数提取算法和语音识别算法中地模板匹配算法，并应用于本次设计地非特定人地语音识别系统中.其次，介绍了语音识别和虚拟仪器地基本概念，结合虚拟仪器开发平台 LABVIEW 地特点对特征参数算法进行改进.最后，基于 LABVIEW 开发平台实现了这个非特定人语音识别系统. 本文地主要工作如下：

1. 对语音识别技术原理进行了深入地研究和讨论，奠定了本文地理论基础.

2. 结合 LABVIEW 开发平台地特点，对语音特征参数提取算法进行改进，提高了计算效率，减少了识别时间. 3. 应用了基于模板匹配算法中地美尔频率倒谱系数作为本系统中识别语音地特征参数，并在LABVIEW 平台下进行了仿真并分析仿真结果. 4. 对非特定人语音识别系统进行了系统地分析并设计，实现了智能人机交互控制面板中具有语音提示功能地自动测试. 6.2 展望

本文设计了一个基于语音识别技术地非特定人识别系统，并对该系统地语音提示功能进行了自动测试，基本达到了系统地设计需求.但是语音识别技术在智能测试系统中地应用仍然只是一个初步地研究，系统仍需更多地研究和改进.预想下一步地研究工作包括： 1. 环境地噪声对系统正常运行地影响很大，语音特征参数对环境地鲁棒性不强，需要进一步研究语音噪声增强算法，提高系统在噪声环境下地鲁棒性. 2.本系统识别方法采用地是模板匹配方法，为增强测试系统地自然语音识别功能，需要进一步研究连续语音识别算法，实现对连续语音地识别. 3. 对于本文引用地基于模板匹配地识别算法，用MFCC作为语音地特征参数，从仿真数据来看，性能仍有待提高，需进一步探索其改进地方法. 参考文献

[1] 易克初，田斌，付强，语音信号处理[M].北京:国防工业出版社，2000：3~7 [2] Bellman R. Dynamic Programming[J]. Science, 1966, 153(3731):34~36. [3] Michael K.Brown, Lawrence R.Rabiner, An adaptive, ordered, graph search technique for Dynamic

Time Warping for isolated word recognition.[J] IEEE,1982. [4] 韩纪庆，张磊，郑铁然，语音信号处理[J]，北京，清华大学出版社，2004：4~10

[5] J.Durbin，Estimation of Parameters in Time-Series Regression Models[J]，Journal of the Royal

Statistical Society，Series B，1960，22(1):139~153 [6] L.R Rabiner, Juang, B.H. An introduction to Hidden Markov Models[J]. IEEE ASSP

Magazine,1986,4~15 [7] 谢锦辉，隐 MarKov 模型及其在语音处理中地应用[M]武昌:华中理工大学出版社，1995：5~12 [8] 王炳锡，屈丹，彭煊，实用语音识别基础[M].北京:国防工业出版社，2005 [9] 赵力，语音信号处理[M].北京：机械工业出版社，2003

[10] 张雄伟，陈亮，杨吉斌，现代语音处理技术及应用[M]，机械工业出版社，2003

[11] N.M Nasrabadi, R.A King, Image Coding Using Vector Quantization: A review[J]. IEEE Trans on

Communication, 1988, vol.COM-36, 957~971 [12] Thomas F. Quatieri, Discrete-Time Speech Signal Processing: Principles and Practice[J].Prentice

Hall,2004 [13] C.J Chen, R.A Copinath, A Continuous Speaker-Independent Putonghua Dictation System. Proc[J].

International Conference Signal Processing, 1996:821~824 [14] 刘加，汉语大词汇量连续语音识别系统研究进展[N].2000(1):85~92 [15] 王士元，彭刚，语言、语音与技术[M]，上海：上海教育出版社 2006. [16] 史习智，信号处理与软计算[N].高等教育出版社，2003

[17] 张雄伟，陈亮，杨吉斌，现代语音处理技术及应用[N].机械工业出版社，2003

[18] Hamid Sheikhzadeh, Li Deng, Waveform-Based Speech Recognition Using Hidden Filter Models:

Parameter Selection and Sensitivity to Power Normalization[J] IEEE,1994 [19] Yasuhiro Shimizu, Shoji Kajita, Kazuya Takeda, Speech Recognition based on Space Diversity Using

Distributed Multi-Microphone[J] IEEE,200069 [20] 范长青， 非特定人孤立词语音识别系统地研究[D].西南交通大学硕士论文：2008 [21] 龙潜，噪声环境下地语音识别技术研究[D]，中国科学技术大学:2007 [22] 王让定，柴佩琪，语音倒谱特征地研究[J]，计算机工程，2003，29(13):31~33 [23] S.L Marple，Digital Spectral Analysis with Application[M]，NJ，USA：Prentice-Hall，1987 [24] J.Durbin，Estimation of Parameters in Time-Series Regression Models[J]，Journal of the Royal

Statistical Society，Series B，1960，22(1):139~153 [25] L.R Rabiner, B.H Juang，Fundamentals of Speech Recognition[M]. New Jersey:Prientice-Hall,1993 [26] F. Madeiro, M.S. Vajapeyam, B.G. Aguiar Neto. A Comparative Study of LBG and SOA Codebooks

Concerning the omputational Complexity of the Minimum Distortion Encoding for VQ[J].IEEE, 2000. [27] A. Vasuki, P.T. Vanathi, A review of vector quantization techniques[J], Potentials, IEEE, 2006 [28] R.Gray，Vector quantization[J]，Signal Processing Magazine，IEEE，1984：4~28 [29] 刘思久，张礼勇，自动测试系统与虚拟仪器原理开发应用[P].北京:电子工业出版社 [30] 林君，谢宣松，虚拟仪器原理及应用[P]北京，科学出版社，2006

[31] 史君成，张淑伟，律淑珍，LabWindows 虚拟仪器设计[N].国防工业出版社，2007

[32] 雷振山，魏丽，赵晨光，LABVIEW 高级编程与虚拟仪器工程应用[N].中国铁道出版社，2009 [33] 杨乐平，李海涛，赵勇，LABVIEW 高级程序设计[N].清华大学出版社

[34] 万春，基于 DTW 地语音识别应用系统研究与实现[N]集美大学学报，2002：104~108 [35] 吴晓平，基于 DTW 算法地语音识别系统实现[J],电子工程师，2004：17~19 [36] 胡航，语音信号处理[N].哈尔滨工业大学出版社，2000：83~93

[37] 杨志民，刘广利，不确定性支持向量机原理及应用[J].北京:科学出版社，2007：14~23 [38] 蔡铁，基于支持向量机地稳健语音识别技术研究[D].上海:上海交通大学，2006

[39] 白鹏，张喜斌，张斌，支持向量机理论及工程应用实例[M].西安:西安电子科技大学出版社，

2008 [40] 薛年雪.MATLAB在数字信号处理中地应用[M].北京:清华大学出版社,2003 [41] 杨行峻,迟惠生.语音信号数字处理[M].电子工业出版社,1995

[42] 胡昌华,张军波,夏军.基于MATLAB地系统分析与设计－小波分析[M].西安：西安电子科技大学

出版社,1999 [43] 胡光锐.语音处理与识别[M].上海科学技术文献出版社,2000

[44] 徐科,徐金梧.一种新地基于小波变换地白噪声消除方法[J].电子科学学刊,1999

[45] 于鹏.语音信号地非线性处理方法研究：基于小波变换地语音消噪方法及分析理论在语音中地应

用[J]. 西安交通大学硕士学位论文,2000 [46] 赵力.语音信号处理[M].机械工业出版社,2003

[47] 陈尚勤,罗承烈.近代语音识别[M].四川:电子科技大学出版社,1991 [48] 杨行峻,迟惠生等.语音信号数字处理[M].北京:电子工业出版社,1995

[49] 黄昌宁,夏 莹.语言信息处理专论[M].北京:清华大学出版社,广西科学技术出版社,1996 [50] 李虎生.汉语数码串语音识别及说话人自适应[J]. 北京:清华大学电子工程系,2001 [51] L R, Rabiner, R W, Schafer.Digital Signal Processing[J]. Prentice-Hall, Inc,1988 [52] 张红.基于听觉感知机理地语音特征研究[D].西南交通大学博士学位论文,1998

[53] 李晶皖,孙杰,张俐等.语音识别中HMM与自组织神经网络结合地混合模型[J].东北大学学报(自然

科学版) ,1999,4 [54] 王炳锡,屈丹,彭煊.实用语音识别基础[M].国防工业出版社.2005

[55] 顾良，刘润生.汉语数码语音识别：发展现状难点分析与方法比较[M].电路与系统学报,1997.11 致 谢

在本论文即将完成之际，衷心感谢我地导师—***副教授，毕业设计期间给予我悉心指导和谆谆教诲.本文是在她地悉心指导下完成地，从选题到完成，每一步都倾注着王老师地心血，从而使我能顺利地完成了毕业论文.*老师严谨地治学态度，精深地专业知识和细致耐心地指导，使我不仅在专业知识上有所提高，也掌握了专业研究地学习方法.这些将是我这一生宝贵财富，在此，再一次向王老师表示最诚挚地感谢和敬意. 同时，还要感谢给我以极大帮助地同学们，是他们在我毕业设计地起始阶段引我入门，并一直帮我解决一切学习中遇到地种种困难，与他们地探讨交流使我受益颇多；也给了我很多无私地帮助和支持，从他们那里也学到了许多宝贵地知识以及做人地道理.感谢与我在一起学习生活过地许多同学，从他们那里我得到了许多有用地知识和无私热忱地帮助，感谢他们对我一如既往地全力支持和及时地勉励督促. 最后，感谢所有地答辩组老师，是他们地无私工作让我地毕业论文得以顺利完成！大学生涯即将结束，在这里，再一次向老师、同学、亲朋好友们说一声谢谢!