Page 108 - 电力与能源2024年第二期

248 陆增洁，等：基于机器学习的电力系统操作票语音指令识别的应用研究

知识，以便更好地识别、理解和传输。这种技术的 用 MFCC 来提高识别的准确性，这种方法已经在
核心在于模型识别，它能够根据预先存储的信息与 实际应用中获得了良好的效果。
实际测量的数据进行比较，从而得到最佳的识别结 通过声学模拟，可以将 P（X|W）转换为可以
果。语音识别技术因应应用场景的不同而有所不 描述语言的 p 值，从而构造出一种新的、更加准确
同，可以根据对说话者的需求将其分为特定人和非 的语言表达方法。这种方法可以将语言的 p 值转

特定人两类；识别技术可以分为多种类型，包括孤 换为可以描述的 p 值，并且可以根据这些 p 值来构
立词和连续语音识别、命令和小词汇量识别、大词 造出更加准确的语言表达。GMM-HMM 作为一
汇量识别、规范语言识别和口语识别等；还可以将 种高效的声学模型，其优势在于它具备良好的识
识别分为听写和自然语言速度识别等不同类型。 别特征，它通过 HMM 的时空变换，将语音的变化
一般来讲，语音识别的步骤可以划分成两个 趋势转换成更加精确的信息，并且它的隐藏状态
部分。 与实际的观察值之比也很高，这样就可以解决语

第 1 步，从语音中抽取具有代表性的声学特 音识别中的输入与输出的差异，使其在识别效果
性，并将其转换成“学习”，也就是“训练”，以构建 上 更 加 准 确 。 GMM-HMM 是 一 种 高 斯 混 合 模
一个可以识别的基础单位的声学模型，并运用语 型，它包含了 3 个关键参数：初始状态、状态转换
义理论来解释其中的含义。 以及观察概率。这些概率取决于特征向量的大
第 2 步，从不同的识别系统中挑选符合需求 小 ，并 使 用 高 斯 混 合 模 型 来 模 拟 语 音 识 别 。
的识别算子，并利用语义理论来确定其中的各项 GMM-HMM 模型具有优秀的语音识别性能，它

参数，以实现最终的语音识别结果。 的模型架构简洁，能够高效地完成语音识别任务。
语音识别预处理技术涉及多个步骤，如过滤、 尽管高斯混合模型（GMM）可能会在某些情况下
数据转换、加载、窗口分割和端口校验等。分帧方 忽视时序信息，但它仍能够有效地捕捉到复杂的
法则把数据分割成若干个独立的帧，并使它们能 上 下 文 关 系 ，从 而 提 高 其 准 确 度 。 此 外 ，由 于
够被读取。由于数据的频率和振幅都很快，分帧 GMM 所涉及的参数越多，其计算复杂度就越高，
方法能够更好地捕捉数据的频率和振幅。使用加 从而使其无法有效地处理复杂的非线性特征。

权有限状态转换器（WFST），能够有效地将传统 伴随深度学习的发展，新一代人工智能方法
的语音识别和解码技术应用到音频处理中，这种 也在持续进步，特别是在语音识别领域。研究人
技术能够结合隐马尔科夫模型（HMM）状态、词 员使用深层神经网络（DNN）来代替常规的 DNN-
典和语法，从而使音频信号的识别和编码变得更 HMM ，以更准确地预测语音识别系统的性能。
加精确。当前，束搜索（Beam Search）算法是目前 DNN-HMM 利用无监督学习算法，以有限波尔兹
端到端领域最受欢迎的搜索算法之一。 曼机（RBM）作为基础，对噪声和振动进行评价，

一般来说，为了实现语音识别必须从语音信 从而估算其在满足指定的声学特性的情况下对
号中提炼出有用的声学特性。特征提取的准确性 RBM 的最终结果的后验概率。该算法的训练步
是语音识别系统的关键，因此语音特征提取系统 骤主要包括两个部分：第 1 步，对受限波尔兹曼机
必须具备良好的稳健性和可识别性。目前语音识 进行无监督学习，将其训练到一个具有多个参数
别 系 统 常 用 的 声 学 特 征 有 梅 尔 频 率 倒 谱 系 数 的深度置信网络中，以便更好地评价其最终结果；
（MFCC）、感知线性预测系数（PLP）、线性预测倒 第 2 步 ，为 了 更 好 地 识 别 和 优 化 深 度 置 信 网 络

谱系数（LPCC）等。MFCC 具有模拟人耳听觉系 （DBN）的特征，我们需要在 DBN 的底层添加一层
统的优势，它的计算简单易行，而且在低频部分具 Softmax 层，以便对 DNN 模型进行预处理，并且通
有出色的频率分辨率，即使在噪声环境下也能保 过对具有特定特征的数据进行标记，采用传统的
持良好的稳定性。目前，许多语音识别系统都使 神经网络学习方式（如 BP）来优化 DNN 的特征。