支持向量機語音識別算法在OMAP5912上的移植
加入技術交流群
2．4．4 拷貝根文件系統(tǒng)
拷貝根文件系統(tǒng)到／data／rootfs2．6目錄下，這時就可以啟動minicom，作為虛擬終端，可以通過它來操作開發(fā)板。
2．5 修改開發(fā)板啟動項
bootargs參數設置Linux系統(tǒng)啟動時掛載在NOR Flash上的JFFS2根文件系統(tǒng)。掛載宿主機上的網絡文件系統(tǒng)，則bootargs參數應設置
setenv bootargs=console=ttyS0，115200n8 noinitrd rw ip=192．168．0．158 root=／dev／nfs nfsroot=192．168．0．204：／data／rootfs2．6．nolock mem=62M
#sayenv保存設置后重啟u-boot，之后將順利進入到開發(fā)板，調試應用程序。
3 實驗及結果分析
基于VC++6．0編程實現一種多類分類SVMs算法，PC機環(huán)境為Ubuntu version 2．6．27，開發(fā)板為Omap5912的ARM926ej-s，其環(huán)境為Lin-ux version 2．6．18；Boot Loader采用u-boot version 1．1．6；交叉編譯工具鏈arm-linux-gcc version3．4．1。
采用16個人分別對50個詞的孤立詞發(fā)音，在不同信噪比下(15、20、25、30 dB和無噪音)得到的語音數據作為樣本，采用由MFCC特征提取算法得到的特征參數作為識別網絡的輸入。語音信號采樣率為11．025 kHz，幀長N=256點，幀移M=128點。詞匯量分別為10、20、30、40和50個詞。訓練樣本由9人每人對每詞在15、20、25、30 dB、無噪音下發(fā)音3次得到．測試樣本由另外7人在相應SNR下對每詞發(fā)音3次得到。識別算法采用RBF核函數的SVM算法，采用交叉驗證和網格搜索法進行核參數選擇并建立模型，對測試樣本進行分類識別。核函數參數取最優(yōu)為(c，y)=(32．0，O．000 122 070 312 5)。實驗結果見表l所示，識別率均在95％以上。表1中同時列出同樣條件下使用HMM識別網絡的識別結果。本文引用地址：http://www.2s4d.com/article/166634.htm
HMM模型是典型的語音識別模型，它是目前語音識別效果最好的少數幾種方法之一。在相同特征參數下將SVM與HMM模型進行對比，從實驗結果看出：1)SVM比HMM模型具有更高的識別率；2)比較相同信噪比和詞匯量下的測試精度，可發(fā)現HMM模型的測試精度有明顯下降，而SVM的測試結果下降較少，說明SVM比HMM模型具有更強推廣性。
4 結束語
提出一種基于SVM的0MAP5912非特定人嵌入式語音識別系統(tǒng)的實現方法。在搭建的開發(fā)環(huán)境下運用SVM算法巾的“一對一”方法進行語音識別，獲得良好結果。通過實驗可以得出，對中小詞匯量采用MFCC特征參數，“一對一”SVM作為后端識別方法可以得到較好的識別結果，比傳統(tǒng)的HMM模型有明顯優(yōu)勢。同時SVM算法作為應用程序集成到0MAP5912嵌入式系統(tǒng)里，存儲量需求小，能夠滿足實用要求。
評論