再根据人的语音特点建立语音模型，对输入的语音信号进行分析，并抽取所需的特

　　征，在此基础上建立语音识别所需的模板。而计算机在识别过程中要根据语音识别

　　的模型，将计算机中存放的语音模板与输入的语音信号的特征进行比较，根据一定

　　的搜索和匹配策略，找出一系列最优的与输入语音匹配的模板。然后根据此模板的

　　定义，通过查表就可以给出计算机的识别结果。显然，这种最优的结果与特征的选

　　目前具有代表性的语音星空体育网站 星空体育首页识别方法主要有动态时间规整技术(DTW)、隐马尔可夫

　　模型(HMM)、矢量量化(VQ)、人工神经网络(ANN)、支持向量机(SVM)等方法。

　　种简单有效的方法，该算法基于动态规划的思想，解决了发音长短不一的模板匹配

　　问题，是语音识别技术中出现较早、较常用的一种算法。在应用DTW算法进行语

　　音识别时，就是将已经预处理和分帧过的语音测试信号和参考语音模板进行比较以

　　隐马尔可夫模型(HMM)是语音信号处理中的一种统计模型，是由Markov链演

　　变来的，所以它是基于参数模型的统计识别方法。由于其模式库是通过反复训练形

　　本，且其识别过程中运用待识别语音序列与HMM参数之间的似然概率达到最大值所

　　矢星空体育网站 星空体育首页量量化主要适用于小词汇量、孤立词的语音识别中。其过程是将若干个语音信号

　　分成若干个小区域，每个小区域寻找一个代表矢量，量化时落入小区域的矢量就用

　　人工神经网络(ANN)是20世纪80年代末期提出的一种新的语音识别方法。其

　　应性、并行性、鲁棒性、容错性和学习特性，其强大的分类能力和输入—输出映射

　　HMM正好相反，其分类决策能力和对不确定信息的描述能力得到举世公认，但它对

　　动态时间信号的描述能力尚不尽如人意，通常MLP分类器只能解决静态模式分类

　　问题，并不涉及时间序列的处理。尽管学者们提出了许多含反馈的结构，但它们仍

　　不足以刻画诸如语音信号这种时间序列的动态特性。由于ANN不能很好地描述语

　　音信号的时间动态特性，所以常把ANN与传统识别方法结合，分别利用各自优点来

　　进行语音识别而克服HMM和ANN各自的缺点。近年来结合神经网络和隐含马尔可

　　夫模型的识别算法研究取得了显着进展，其识别率已经接近隐含马尔可夫模型的识

　　了传统经验风险最小化方法的缺点。兼顾训练误差和泛化能力，在解决小样本、非