Page 94 - 电力与能源2024年第四期

488 陆增洁，等：基于机器学习的电力系统语音指令识别算法研究

采用 GMM-HMM 的声学模型，现代语音识 音信号划分为有意义的语音片段，以便后续的特
别技术取得了长足的发展。通过 GMM，可以将 征提取和识别。分段的方法有多种，如基于能量、
aw iw j 和 X=［x 1，x 2，x 3， …］的特征转换为 P（x j|w i ）， 短时过零率、端点检测等。
这样就可以将这些转换的结果映射到混合高斯模 综上所述，语音信号的采集与预处理是电力
型上，使其参数发生变化。 系统语音指令识别算法中的重要环节，对后续的

GMM-HMM 利用 DNN 的强大学习能力，有 声学特征提取和识别结果具有很大的影响。在该
效提升了语音识别的准确度，它的声学模型可以 过程中需要特别注意维护语音信号的质量和稳定
清晰地展示出语音的深度特征，并且可以捕捉到 性，通过归一化处理增强稳定性，并进行分段处理
语音之间更高级别的相关性。 以便于后续识别。
与 GMM-HMM 相比，DNN-HMM 以更低的 3.2 声学特征提取

计算成本获得了更好的结果。此外，DNN-HMM 声学特征提取是语音识别中的一个关键环
还可以显著改善识别性能，然而其实现需要更强 节，其目的是从声学信号中提取出对语音识别有
的硬件处理能力。因此，在实际应用中需要根据 用的信息。常用的声学特征包括短时能量、短时
具体情况对模型进行适当的改进。 平均幅度差、梅尔倒谱系数（MFCC）、线性预测编
码（LPC）等。
3 语音信号预处理
其中，MFCC 是目前应用最为广泛的一种声
3.1 语音信号的采集与预处理 学特征。MFCC 的处理过程涉及多种变换，如预
在电力系统语音指令识别算法中，语音信号 先调整重量、划分帧、添加窗口、快速傅里叶变换
的预处理是非常重要的一环。在该过程中，需要 （FFT）、梅尔滤波以及离散余弦变换（DCT）等。

对语音信号进行采集和预处理，以便于后续声学 首先，为了强化高频成分，需要进行预加重处理。
特征的提取和处理。下面主要介绍语音信号的采 然后将信号分成若干帧长的子段，并为每个子段
集与预处理方法。 应用加窗函数以减小频谱泄漏；接着进行 FFT 计
语音信号的采集需要借助专业的录音设备， 算，将时域信号转换为频域信号；再使用梅尔滤波
并选用高保真麦克风进行采集，以确保采集的语 器改善声音质量，并使其与人类的听觉特征相匹

音信号质量高、清晰度好。在采集过程中，应尽量 配；最后通过 DCT 变换，将梅尔频谱中的 N 个系
避免噪声的干扰。对于某些噪声较大的环境，可 数转换成具有 MFCC 特性的信号。
以通过降噪算法对语音信号进行去除噪声。 此外，为了提高语音识别的准确率，常使用特
语音信号的预处理包括噪声去除、信号增强、 征降维技术。通过降低特征维度，可以提高模型
语音分段等。其中，噪声去除是非常关键的一步 的计算效率和稳健性。一些常用的特征降维算
这是因为采集到的语音信号中往往会包含各种噪 法，如 PCA，LDA 以及 t-SNE 等，可以有效地降低

声，例如电器噪声、风扇噪声等，这些噪声极大地 数据的维度，从而提高分析的准确性。这些算法
影响了后续的信号处理和分析。 可以将高维的声学特征降至低维，以便更好地适
为了保证后续处理的精度和稳定性，需要对 应模型的需要。
预处理后的语音信号进行归一化处理。归一化的 在电力系统语音指令识别算法中，声学特征
过程是将预处理后的语音信号的幅度值缩放到一 提取和降维是非常重要的环节。选取合适的声学

个固定的范围内，以便不同幅度的信号可以进行 特征和降维算法，对于提高语音识别的准确率和
比较和处理。 实时性非常有帮助。因此，需要充分考虑数据集
此外，在语音信号的预处理过程中，还需对语 的特点和模型的需求，选择合适的声学特征和降
音信号进行分段处理。分段的目的是将连续的语 维算法。