dtw演算法語音識別

1. matlab中的特定人語音識別演算法DTW演算法的應用常式

語音識別原理

語音識別系統的本質就是一種模式識別系統，它也包括特徵提取、模式匹配、參考模式庫等基本單元。由於語音信號是一種典型的非平穩信號，加之呼吸氣流、外部噪音、電流干擾等使得語音信號不能直接用於提取特徵，而要進行前期的預處理。預處理過程包括預濾波、采樣和量化、分幀、加窗、預加重、端點檢測等。經過預處理的語音數據就可以進行特徵參數提取。在訓練階段，將特徵參數進行一定的處理之後，為每個詞條得到一個模型，保存為模板庫。在識別階段，語音信號經過相同的通道得到語音參數，生成測試模板，與參考模板進行匹配，將匹配分數最高的參考模板作為識別結果。後續的處理過程還可能包括更高層次的詞法、句法和文法處理等，從而最終將輸入的語音信號轉變成文本或命令。

DTW演算法原理

DTW是把時間規整和距離測度計算結合起來的一種非線性規整技術，它尋找一個規整函數im=Ф(in)，將測試矢量的時間軸n非線性地映射到參考模板的時間軸m上，並使該函數滿足：

D就是處於最優時間規整情況下兩矢量的距離。由於DTW不斷地計算兩矢量的距離以尋找最優的匹配路徑，所以得到的是兩矢量匹配時累積距離最小所對應的規整函數，這就保證了它們之間存在的最大聲學相似性。

DTW演算法的實質就是運用動態規劃的思想，利用局部最佳化的處理來自動尋找一條路徑，沿著這條路徑，兩個特徵矢量之間的累積失真量最小，從而避免由於時長不同而可能引入的誤差。

2. 時間序列分析——DTW演算法詳解

DTW（dynamic time warping）是時間序列分析中一個很早（1994年，論文的年紀比我都大）也很經典的演算法了。它其實借用的是經典演算法的「動態規劃」的思想。一般來說，時間序列數據如果要做分類，那麼大體可以將實驗步驟分為：數據預處理（去噪或數據增強），數據表徵，選取分類器（機器學習演算法還需要選取合適的距離計算方法）。雖然DTW演算法也給出了路徑，但我實在想不出如何利用path，因此我更傾向於將DTW演算法歸為距離計算方法。

第一部分Introction不再介紹。直接介紹第二部分：Dynamic Time Warping

作者首先提到，dtw演算法成功應用在了語音識別領域——研究者將現實中一個單詞的發音（其實就是一條時間序列）與模板庫中單詞的發音去一個個匹配。怎麼衡量匹配程度的大小呢？

3. raw語音識別方法

1、動態時間規整(DTW)演算法。DTW演算法通過檢測兩個語音序列之間的最大相似性來實現匹配，能夠有效地應對不同說話人的語速變化。它廣泛用於小詞彙量的語音識別系統中。
2、隱馬爾可夫模型(HMM)。HMM利用統計學方法建立語音的隱藏馬爾可夫模型，並結合觀察序列實現語音識別。是統計語音識別的基礎，應用非常廣泛。