【摘要】：當(dāng)前智能家居語音控制網(wǎng)關(guān)設(shè)備的語音處理普遍在線上進(jìn)行,在沒有互聯(lián)網(wǎng)連接、網(wǎng)絡(luò)異�；蛘咚俣嚷惹樾蜗�,網(wǎng)關(guān)獲取不到語音指令從而無法對家庭設(shè)備進(jìn)行控制,嚴(yán)重依賴互聯(lián)網(wǎng)的連接。此外,部分網(wǎng)關(guān)控制系統(tǒng)連接家電設(shè)備使用有線連接方式,不利于系統(tǒng)擴展。針對以上缺陷,本文研究與設(shè)計了一款融合ZigBee和WiFi無線網(wǎng)絡(luò)技術(shù)的網(wǎng)關(guān)系統(tǒng),此系統(tǒng)可以在線下對語音進(jìn)行識別,實現(xiàn)了在有無網(wǎng)絡(luò)連接的情況下均可使用語音對家庭設(shè)備進(jìn)行控制;并且該網(wǎng)關(guān)系統(tǒng)使用BP神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)用戶常用指令,以實現(xiàn)離線時智能控制,提高用戶體驗,使得在離線時擁有和在線時無差別的體驗。本文首先對該系統(tǒng)所需要的語音識別基本原理知識進(jìn)行了介紹,以及對離線語音識別模型、BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了研究。其中,對BP神經(jīng)網(wǎng)絡(luò)算法和語音識別模型中使用到的前向后向算法、Viterbi算法、Baum-Welch算法進(jìn)行了深入分析。最后結(jié)合ZigBee-WiFi網(wǎng)絡(luò)、Web開發(fā)、Android開發(fā)等技術(shù),設(shè)計并實現(xiàn)了本智能家居語音控制網(wǎng)關(guān)系統(tǒng)。本文從語音控制家庭網(wǎng)關(guān)設(shè)備、服務(wù)器平臺、用戶Android客戶端這三個方面對智能家居語音控制網(wǎng)關(guān)系統(tǒng)進(jìn)行了介紹。語音控制家庭網(wǎng)關(guān)設(shè)備硬件由Exynos 4412開發(fā)平臺和ZigBee模塊、拾音設(shè)備模塊、WiFi通信模塊外圍電路組成;軟件層采用基于ARM處理器的嵌入式Linux系統(tǒng)。本論文選用HMM語音識別算法與HTK語音識別工具對語音樣本進(jìn)行聲學(xué)模型和語言模型訓(xùn)練,并將結(jié)果作為本系統(tǒng)的離線語音識別引擎;自定義了家庭網(wǎng)關(guān)和ZigBee協(xié)調(diào)器之間的串口數(shù)據(jù)傳輸協(xié)議;使用TCP/IP通信協(xié)議以及Socket網(wǎng)絡(luò)編程技術(shù)將封裝好的家庭設(shè)備信息實時發(fā)送到服務(wù)器平臺上。家庭網(wǎng)關(guān)服務(wù)器使用整合了“SpringMVC+MyBatis+Spring+Mysq1”框架的SpringBoot平臺進(jìn)行快速開發(fā)。我們通過用戶管理、設(shè)備管理、數(shù)據(jù)查詢等模塊的設(shè)計,實現(xiàn)了服務(wù)器平臺對家庭設(shè)備及其數(shù)據(jù)的管理。最后設(shè)計了 Android客戶端以實時查看及控制家電設(shè)備,增強了用戶的參與感。在本文最后,給出了語音控制網(wǎng)關(guān)系統(tǒng)的功能測試方法,測試結(jié)果表明,本文的語音控制網(wǎng)關(guān)系統(tǒng)基本實現(xiàn)了設(shè)計需求。
【圖文】：

邐邐＞逡逑圖２．１語音識別主要流程圖逡逑２．１．２．１語音信號的預(yù)艦逡逑預(yù)處理即在語音識別之前先對輸入語音進(jìn)行一系列的聲音處理，這樣可以消除部分噪聲逡逑帶來的影響以及不同說話人帶來的影響，對語音這樣處理可以更好的反映語音的本質(zhì)特征。逡逑語音預(yù)處理需要處理的流程包括語音信號的采樣、量化、端點檢測、加窗分傾等［３２］。采樣量逡逑化是指對時域信號按奎斯特懫樣定理，將連續(xù)信號不失真的轉(zhuǎn)換成離散信號并對離散的信號逡逑進(jìn)行Ａ／Ｄ數(shù)模轉(zhuǎn)換，使得量化采樣后的數(shù)據(jù)便于計算機使用。端點檢測的作用是對給定的一逡逑段語音來確定該語音信號的起止點，經(jīng)過端點檢測后，對語音信號后期處理的計算量可以降逡逑低。因為語音信號是一個短時非平穩(wěn)信號，不能用處理平穩(wěn)信號的技術(shù)來分析它，但是如果逡逑時域信號我們把它的間隔劃分的很小，那么在一個很短的時間間隔內(nèi)，信號可以看作是一個逡逑準(zhǔn)穩(wěn)態(tài)的過程

該序列的概率，可以使用前向后向算法解決此問題；二是同樣在給出觀察序列的情況下，找逡逑出每個觀測值最可能對應(yīng)的ＨＭＭ狀態(tài)序列，采用維特比算法解決此問題。第三是給定一個逡逑觀察序列計算出ＨＭＭ的參數(shù)，常采用ＥＭ算法。ＨＭＭ模型圖如圖２．３所示。逡逑ａｌ２＿邐ａ２３逡逑ｙｌ邐ｙ２邐ｙ３邐ｙ４逡逑圖２．３隱馬爾科夫模型逡逑ＨＭＭ模型通常用三組模型參數(shù)Ａ邋＝邋Ａ妁來表示，＾？為初始概率［為狀態(tài)轉(zhuǎn)移概率，逡逑５表示觀測值概率，圖２．３中ａ為轉(zhuǎn)移概率，６為觀測值輸出概率，ｘ為隱含狀態(tài)為觀察值。逡逑通常定義ＨＭＭ模型有ｉＶ個狀態(tài)Ｓ邋＝以１１Ｓ邋Ｋ邋ｉＶ｝，在任意時刻／模型的狀態(tài)為☆且☆邋ｅ邋Ｓ邋；逡逑模型的觀測序列可以表示成0邋＝邋■［0／丨１邋Ｓ，在任意時刻／的觀測值為。逡逑基于ＨＭＭ模型解決的三個問題，本文將詳細(xì)分析解決此三個問題的算法。逡逑２．２．１．１前向－后向算法逡逑前后－后向算法是在ＨＭＭ模型１的參數(shù)已經(jīng)知曉即初始狀態(tài)概率７、狀態(tài)轉(zhuǎn)移矩陣Ｊ、逡逑觀測概率矩陣５己經(jīng)給出的情況下，如果再給出觀測序列０，，計算ＨＭＭ生成該序列的概率逡逑即}幣澹�。辶x顯冢齲停湍Ｐ橢惺褂們跋潁笙蛩惴ㄊ腔詬藎齲停湍Ｐ馱硭枰怨鄄廡蛄械鬧到義閑斜槔撲�，染J褂帽┝撲惴椒ǖ憊鄄廡蛄瀉艸な斃枰撲愕氖奔浠嵐粗甘對黽櫻卞義霞涓叢傭裙

本文編號：2702881