本文基于毫米級(jí)全方位無回轉(zhuǎn)半徑移動(dòng)機(jī)器人課題。微系統(tǒng)配置示意圖如圖1所示。主要由主機(jī)Host(配有圖像采集卡)、兩個(gè)CCD攝像頭(其中一 個(gè)為顯微攝像頭)、微移動(dòng)裝配平臺(tái)、微機(jī)器人本體和系統(tǒng)控制電路板等組成。計(jì)算機(jī)和攝像機(jī)組用于觀察微機(jī)器人的方位，控制系統(tǒng)控制微機(jī)器人的移動(dòng)。

　　本文在系統(tǒng)控制電http://www.szmzhg.com/電感廠家路中嵌入式實(shí)現(xiàn)語音識(shí)別算法，通過語音控制微機(jī)器人。 微機(jī)器人控制系統(tǒng)的資源有限，控制方法比較復(fù)雜，并且需要有較高的實(shí)時(shí)性，因此本文采用的語音識(shí)別算法必須簡單、識(shí)別率高、占用系統(tǒng)資源少。 HMM(隱馬爾可夫模型)的適應(yīng)性強(qiáng)、識(shí)別率高，是當(dāng)前語音識(shí)別的主流算法。使用基于HMM非特定人的語音識(shí)別算法雖然借助模板匹配減小了識(shí)別所需的資源，但是前期的模板儲(chǔ)存工作需要大量的計(jì)算和存儲(chǔ)空間，因此移植到嵌入式系統(tǒng)還有一定的難度，所以很多嵌入式應(yīng)用平臺(tái)的訓(xùn)練部分仍在PC機(jī)上實(shí)現(xiàn)。 為了使訓(xùn)練和識(shí)別都在嵌入式系統(tǒng)上實(shí)現(xiàn)，本文給出了一種基于K均值分段HMM模型的實(shí)時(shí)學(xué)習(xí)語音識(shí)別算法，不僅解決了上述問題，而且做到了智能化，實(shí)現(xiàn)了真正意義上的自動(dòng)語音識(shí)別。 1 增量K均值分段HMM的算法及實(shí)現(xiàn) 由于語音識(shí)別過程中非特定的因素較多，為了提高識(shí)別的準(zhǔn)確率，針對本系統(tǒng)的特點(diǎn)，采用動(dòng)態(tài)改變識(shí)別參數(shù)的方法提高系統(tǒng)的識(shí)別率。 訓(xùn)練算法是HMM中運(yùn)算量最大、最復(fù)雜的部分，訓(xùn)練算法的輸出是即將存儲(chǔ)的模型。目前的語音識(shí)別系統(tǒng)大都使用貝斯曼參數(shù)的HMM模型，采取最大似然度算 法。這些算法通常是批處理函數(shù)，所有的訓(xùn)練數(shù)據(jù)要在識(shí)別之前訓(xùn)練好并存儲(chǔ)。因此很多嵌入式系統(tǒng)因?yàn)橘Y源有限不能達(dá)到高識(shí)別率和實(shí)時(shí)輸出。 本系統(tǒng)采用了自適應(yīng)增量K均值分段算法。在每次輸入新的語句時(shí)都連續(xù)地計(jì)算而不對前面的數(shù)據(jù)進(jìn)行存儲(chǔ)，這可以節(jié)約大量的時(shí)間和成本。輸入語句時(shí)由系統(tǒng)的識(shí)別結(jié)果判斷輸入語句的序號(hào)，并對此語句的參數(shù)動(dòng)態(tài)地修改，真正做到了實(shí)時(shí)學(xué)習(xí)。 K均值分段算法是基于最佳狀態(tài)序列的理論，因此可以采用Viterbi算法得到最佳狀態(tài)序列，從而方便地在線修改系統(tǒng)參數(shù)，使訓(xùn)練的速度大大提高。 為了達(dá)到本系統(tǒng)所需要的功能，對通常的K均值算法作了一定的改進(jìn)。在系統(tǒng)無人監(jiān)管的情況下，Viterbi解碼計(jì)算出最大相似度的語音模型，根據(jù)這個(gè)假 設(shè)計(jì)算分段K均值算法的輸入?yún)?shù)，對此模型進(jìn)行參數(shù)重估。首先按照HMM模型的狀態(tài)數(shù)進(jìn)行等間隔分段，每個(gè)間隔的數(shù)據(jù)段作為某一狀態(tài)的訓(xùn)練數(shù)據(jù)，計(jì)算模型 的初始參數(shù)λ=f(a，A，B)。采用Viterbi的最佳狀態(tài)序列搜索，得到當(dāng)前最佳狀態(tài)序列參數(shù)和重估參數(shù)θ，其中概率密度函數(shù)P(X，S|θ)代替 了最大似然度算法中的P(X，θ)，在不同的馬爾科夫狀態(tài)和重估之間跳轉(zhuǎn)。基于K均值算法的參數(shù)重估流程如下： 大功率電感廠家 |大電流電感工廠