matlab怎么运行语音识别程序

我们这学期刚学的凌阳61板,语音程序有A2000,S480,S2403种算法,我先给个A2000的,还需要的话发消息给我,一起学习啦!

#include "A2000.h"

#define SPEECH_1 0

#define DAC1 1

#define DAC2 2

#define Ramp_UpDn_Off 0

#define Ramp_UpDn_On 3

#define Manual 0

#define Auto 1

#define Full 1

#define Empty 2

#define Mode 1

//===============================================================================================

/颤橘/ 函数： main()

// 描述：主函数

//===============================================================================================

main()

{

extern long RES_WW_24K_SA,RES_WW_24K_EA //定义语音资源的首末地址标号

long int Addr //定义地址变量

int Ret = 0 //定义获取语音数据变量并初始化

if(Mode == 1) //采用自动方式播放

{

SACM_A2000_Initial(1)//自动方式播放初始化

SACM_A2000_Play(SPEECH_1,DAC1,Ramp_UpDn_On) //销键定义语音索引号、播放通道、允许亏洞巧音量增/减调节

while(1){

F_ClearWatchdog()

SACM_A2000_ServiceLoop()} //获取语音数据并将其填入解码队列

}

if(Mode == 0)//采用非自动方式播放

{

Addr=RES_WW_24K_SA//送入语音队列的首址

SACM_A2000_Initial(0) //非自动方式播放的初始化

SACM_A2000_InitDecoder(DAC1) //开始对A2000的语音数据以非自动方式解码

while(SACM_A2000_TestQueue()!=Full) //测试并获取语音队列的状态

{

Ret=SP_GetResource(Addr) //从资源文件里获取一个字型语音数据

SACM_A2000_FillQueue(Ret) //获取语音编码数据并填入语音队列等候解码

Addr++

}

while(1)

{

if(SACM_A2000_TestQueue()!=Full)

{

Ret =SP_GetResource(Addr)

SACM_A2000_FillQueue(Ret)

Addr++

}

if(Addr<RES_WW_24K_EA ) //如果该段语音未播完，即未到达末地址时

SACM_A2000_Decoder() //获取资源并进行解码，再通过中断服务子程序送入DAC通道播放

else

SACM_A2000_Stop() //否则，停止播放

F_ClearWatchdog()//清看门狗

}

}

}

你把我写的这个程序运行散岩租试试，我调试通过了：

%% 该代码为基于带动量项的BP神经网络冲兆语音识别

%% 清空环境变量

clc

clear

%% 训练数据预测数据提取及归一化

%下载四类语音信号

load data1 c1

load data2 c2

load data3 c3

load data4 c4

%四个特征信号矩阵合成一个矩阵

data(1:500,:)=c1(1:500,:)

data(501:1000,:)=c2(1:500,:)

data(1001:1500,:)=c3(1:500,:)

data(1501:2000,:)=c4(1:500,:)

%从1到2000间随机排序

k=rand(1,2000)

[m,n]=sort(k)

%输入输出数据

input=data(:,2:25)

output1 =data(:,1)

%把输出从1维变成4维

for i=1:2000

switch output1(i)

case 1

output(i,:)=[1 0 0 0]

case 2

output(i,:)=[0 1 0 0]

case 3

output(i,:)=[0 0 1 0]

case 4

output(i,:)=[0 0 0 1]

end

end

%随机提取1500个样本为训练样本，500个样本为预测样本

input_train=input(n(1:1500),:)'

output_train=output(n(1:1500),:)'

input_test=input(n(1501:2000),:)'

output_test=output(n(1501:2000),:)'

%输入数据归一化

[inputn,inputps]=mapminmax(input_train)

%% 网络枣清结构初始化

innum=24

midnum=25

outnum=4

%权值初始化

w1=rands(midnum,innum)

b1=rands(midnum,1)

w2=rands(midnum,outnum)

b2=rands(outnum,1)

w2_1=w2w2_2=w2_1

w1_1=w1w1_2=w1_1

b1_1=b1b1_2=b1_1

b2_1=b2b2_2=b2_1

%学习率

xite=0.1

alfa=0.01

%% 网络训练

for ii=1:10

E(ii)=0

for i=1:1:1500

%% 网络预测输出

x=inputn(:,i)

% 隐含层输出

for j=1:1:midnum

I(j)=inputn(:,i)'*w1(j,:)'+b1(j)

Iout(j)=1/(1+exp(-I(j)))

end

% 输出层输出

yn=w2'*Iout'+b2

%% 权值阀值修正

%计算误差

e=output_train(:,i)-yn

E(ii)=E(ii)+sum(abs(e))

%计算权值变化率

dw2=e*Iout

db2=e'

for j=1:1:midnum

S=1/(1+exp(-I(j)))

FI(j)=S*(1-S)

end

for k=1:1:innum

for j=1:1:midnum

dw1(k,j)=FI(j)*x(k)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+e(4)*w2(j,4))

db1(j)=FI(j)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+e(4)*w2(j,4))

end

end

w1=w1_1+xite*dw1'+alfa*(w1_1-w1_2)

b1=b1_1+xite*db1'+alfa*(b1_1-b1_2)

w2=w2_1+xite*dw2'+alfa*(w2_1-w2_2)

b2=b2_1+xite*db2'+alfa*(b2_1-b2_2)

w1_2=w1_1w1_1=w1

w2_2=w2_1w2_1=w2

b1_2=b1_1b1_1=b1

b2_2=b2_1b2_1=b2

end

end

%% 语音特征信号分类

inputn_test=mapminmax('apply',input_test,inputps)

for ii=1:1

for i=1:500%1500

%隐含层输出

for j=1:1:midnum

I(j)=inputn_test(:,i)'*w1(j,:)'+b1(j)

Iout(j)=1/(1+exp(-I(j)))

end

fore(:,i)=w2'*Iout'+b2

end

end

%% 结果分析

%根据网络输出找出数据属于哪类

for i=1:500

output_fore(i)=find(fore(:,i)==max(fore(:,i)))

end

%BP网络预测误差

error=output_fore-output1(n(1501:2000))'

%画出预测语音种类和实际语音种类的分类图

figure(1)

plot(output_fore,'r')

hold on

plot(output1(n(1501:2000))','b')

legend('预测语音类别','实际语音类别')

%画出误差图

figure(2)

plot(error)

title('BP网络分类误差','fontsize',12)

xlabel('语音信号','fontsize',12)

ylabel('分类误差','fontsize',12)

%print -dtiff -r600 1-4

k=zeros(1,4)

%找出判断错误的分类属于哪一类

for i=1:500

if error(i)~=0

[b,c]=max(output_test(:,i))

switch c

case 1

k(1)=k(1)+1

case 2

k(2)=k(2)+1

case 3

k(3)=k(3)+1

case 4

k(4)=k(4)+1

end

end

end

%找出每类的个体和

kk=zeros(1,4)

for i=1:500

[b,c]=max(output_test(:,i))

switch c

case 1

kk(1)=kk(1)+1

case 2

kk(2)=kk(2)+1

case 3

kk(3)=kk(3)+1

case 4

kk(4)=kk(4)+1

end

end

%正确率

rightridio=(kk-k)./kk

语音识别原理

语音识别系统的本质就是一种模式识别卜竖渗系统，它也包括特征提取、模式匹配、参型脊考模式库等基本单元。由于语音信号是一种典型的非平稳信号，加之呼吸气流、外部噪音、电流干扰等使得语音信号不能直接用于提取特征，而要进行前期的预处理。预处理过程包括预滤波、采样和量化、分帧、加窗、预加重、端点检测等。经过预处理的语音数据就可以进行特征参数提取。在训练阶段，将特征参数进行一定的处理之后，为每个词条得到一个模型，保存为模板库。在识别阶段，语音信号经过相同的通道得到语音参数，生成测试模板，与参考模板进行匹配，将匹配分数最高的参考模板作为识别结果。后续的处理过程还可能包括更高层次的词法、句法和文法处理等，从而最终将输入的语音信号转变成文本或命令。

DTW算法原理

DTW是把时间规整和距离测度计算结合起来的一种非线性规整技术，它寻找一个规整函数im=Ф(in) ，将测试矢量的时间轴n非线性地映射到参考模板的时间轴m上，并使该函数满足：

D就是处于最优时间规整情况下两矢量的距离。由于DTW不断地计算两矢量的距离以寻找最优的匹配路径，所以得到的是两矢量匹配时累积距离最小所对应的规整函数，这就保证了它们之间存在的最大声学相似性。

DTW算法的实质就是运用动态规划的思想，利用局部最佳化的处理来自动寻找一条路径，沿着这条路径，纤告两个特征矢量之间的累积失真量最小，从而避免由于时长不同而可能引入的误差。

---