（1）采用狀態(tài)輸出獨(dú)立假設(shè)，每個(gè)時(shí)刻的輸出僅與所處的狀態(tài)有關(guān)，而與以前的輸出沒(méi)有關(guān)系，然而實(shí)際語(yǔ)音信號(hào)卻有很強(qiáng)的時(shí)間相關(guān)性，這就影響了HMM模型描述語(yǔ)音信號(hào)幀間相關(guān)性的能力。

　　（2）連續(xù)HMM模型假定狀態(tài)輸出概率密度函數(shù)為混合高斯分布函數(shù)，而實(shí)際的語(yǔ)音信號(hào)分布是非常復(fù)雜的，很難用簡(jiǎn)單的高斯分布的組合形式來(lái)表征。為了彌補(bǔ)這些缺陷，許多改進(jìn)的方法被提出來(lái)。

　　語(yǔ)音識(shí)別技術(shù)是近年來(lái)高速發(fā)展的一項(xiàng)技術(shù)，由于其重要的理論價(jià)值與廣闊的應(yīng)用前景，受到人們的廣泛重視。語(yǔ)音是一個(gè)復(fù)雜的非線性過(guò)程，基于線性系統(tǒng)理論的語(yǔ)音識(shí)別方法的局限性越來(lái)越凸顯。近年來(lái)，隨著人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯、粒子群優(yōu)化算法等非線性理論研究和應(yīng)用的逐漸深入，這些理論已經(jīng)開(kāi)始獨(dú)立或者相互交叉應(yīng)用到語(yǔ)音識(shí)別領(lǐng)域中。

　　語(yǔ)言是人類獲取信息的主要來(lái)源之一，不僅是人類與外界交流信息最方便、最有效、最自然的手段，而且也是人與機(jī)器之間進(jìn)行通信的重要工具。無(wú)論是人與人之間還是人與之間的語(yǔ)言通信，語(yǔ)音信號(hào)處理，特別是語(yǔ)音信號(hào)數(shù)字處理，都具有特別重要的作用。

　　隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，用現(xiàn)代手段研究語(yǔ)音信號(hào)處理技術(shù)，使得人們能更加有效的產(chǎn)生、傳輸、存儲(chǔ)和獲得語(yǔ)音信息，這對(duì)于促進(jìn)社會(huì)的發(fā)展具有十分重要的意義

　　數(shù)字語(yǔ)音信號(hào)處理，包括三方面內(nèi)容，即語(yǔ)音信號(hào)的數(shù)字表示法，語(yǔ)音信號(hào)數(shù)字處理理論的各種方法和技術(shù)及數(shù)字語(yǔ)音處理理論和技術(shù)在各領(lǐng)域中的實(shí)際應(yīng)用。

　　模糊神經(jīng)網(wǎng)絡(luò)在語(yǔ)音識(shí)別中的應(yīng)用

　　神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代科學(xué)研究成果的基礎(chǔ)上提出來(lái)模擬人腦結(jié)構(gòu)機(jī)制的一門新興科學(xué)，它不是人腦真實(shí)的全面描述，而是這類生物神經(jīng)網(wǎng)絡(luò)的抽象、模擬和簡(jiǎn)化，其目的在于探索人腦的信息加工、存儲(chǔ)和搜索機(jī)制，從而為人工智能和信息處理等學(xué)科的研究開(kāi)辟新途徑。人工神經(jīng)網(wǎng)絡(luò)就是采用物理可實(shí)現(xiàn)的系統(tǒng)來(lái)模擬人腦神經(jīng)細(xì)胞的結(jié)構(gòu)和功能的系統(tǒng)。它是由很多處理單元有機(jī)地連接起來(lái)進(jìn)行并行的工作，它的處理單元雖十分簡(jiǎn)單，但其工作卻是“集體”進(jìn)行的，它的信息傳播、存儲(chǔ)方式與神經(jīng)網(wǎng)絡(luò)相似，它沒(méi)有運(yùn)算器、存儲(chǔ)器、控制器等這些現(xiàn)代計(jì)算機(jī)的基本單元，而是相同的簡(jiǎn)單處理器的組合，其信息處理是存儲(chǔ)在處理單元的連接上

　　模糊邏輯是模仿人腦的不確定性概念判斷、推理思維方式，對(duì)于模型未知或不能確定的描述系統(tǒng)，以及非線性、大滯后的控制對(duì)象，應(yīng)用模糊集合和模糊規(guī)則進(jìn)行推理，表達(dá)過(guò)渡性界限或定性知識(shí)經(jīng)驗(yàn)，模擬人腦方式，實(shí)行模糊綜合判斷，推理解決常規(guī)方法難于對(duì)付的規(guī)則型模糊信息問(wèn)題。模糊邏輯善于表達(dá)界限不清晰的定性知識(shí)與經(jīng)驗(yàn)，它借助于隸屬度函數(shù)概念，區(qū)分模糊集合，處理模糊關(guān)系，模擬人腦實(shí)施規(guī)則型推理，解決因“排中律”的邏輯破缺產(chǎn)生的種種不確定問(wèn)題。

　　隨著模糊信息處理技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)研究的不斷深入，將模糊技術(shù)與神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行有機(jī)結(jié)合，從而構(gòu)造出一種可“自動(dòng)”處理模糊信息的神經(jīng)網(wǎng)絡(luò)或自適應(yīng)模糊系統(tǒng)，以成為模糊技術(shù)與神經(jīng)網(wǎng)絡(luò)技術(shù)深入研究和發(fā)展的一種必然趨勢(shì)。神經(jīng)網(wǎng)絡(luò)技術(shù)和模糊技術(shù)各自有自己的優(yōu)點(diǎn)，前者以生物神經(jīng)網(wǎng)絡(luò)為模擬基礎(chǔ)，試圖在模擬推理及自動(dòng)學(xué)習(xí)方面向前發(fā)展一步，使人工智能更接近人腦的自組織和并行處理功能，它在模式識(shí)別、聚類分析和專家等多方面己顯示了新的前景和新的思路。后者以模糊邏輯為基礎(chǔ)，抓住了人類思維的模糊性特點(diǎn)，以模仿人的模糊綜合判斷推理來(lái)處理常規(guī)的方法難以解決的模糊信息處理的難題。而將模糊技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合，可以有效的發(fā)揮各自的優(yōu)勢(shì)并彌補(bǔ)不足。模糊技術(shù)的特長(zhǎng)在于拓展神經(jīng)網(wǎng)絡(luò)處理信息的范圍和能力，使其不僅能處理精確的信息也能處理模糊信息和其他不精確的信息，不僅能夠?qū)崿F(xiàn)精確的聯(lián)想及映射，還可以實(shí)現(xiàn)不精確的聯(lián)想和映射，特別是模糊聯(lián)想和模糊映射仁。

　　語(yǔ)音識(shí)別在實(shí)現(xiàn)過(guò)程中通常涉及多種因素，需要同時(shí)考慮。由于計(jì)算量很大，再加上語(yǔ)音信號(hào)的隨機(jī)性，以及我們對(duì)人類聽(tīng)覺(jué)機(jī)理了解甚淺，因此，目前機(jī)器自動(dòng)識(shí)別語(yǔ)音的能力要比人類差得多，尤其是對(duì)非特定人的連續(xù)語(yǔ)音識(shí)別更是如此。用模糊神經(jīng)網(wǎng)絡(luò)模型作為分類器或聚類器，發(fā)展出一些新的語(yǔ)音識(shí)別方法。

　　由于模糊神經(jīng)網(wǎng)絡(luò)不僅具有模糊系統(tǒng)中的知識(shí)抽取和表達(dá)能力，適合于表達(dá)模糊或定性的知識(shí)，能夠運(yùn)用類似人的思維模式來(lái)進(jìn)行推理，也擁有神經(jīng)網(wǎng)絡(luò)有并行計(jì)算、分布式信息存儲(chǔ)、容錯(cuò)能力強(qiáng)以及具備自適應(yīng)學(xué)習(xí)功能的一系列能力。將模糊神經(jīng)網(wǎng)絡(luò)模型用于語(yǔ)音識(shí)別系統(tǒng)，該系統(tǒng)具有以下特點(diǎn)：。

　　1、能夠盡量多的利用了樣本集中的有用信息以實(shí)現(xiàn)多因素綜合評(píng)定，發(fā)揮神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)。

　　2、能夠很好的引入領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識(shí)，利用模糊規(guī)則來(lái)指導(dǎo)網(wǎng)絡(luò)的訓(xùn)練，使網(wǎng)絡(luò)的訓(xùn)練能夠更符合人的推理習(xí)慣。

　　3、對(duì)輸入、輸出形式進(jìn)行特殊的模糊化處理后，可以用有限樣本集含有的信息比較好的、近似真實(shí)分布的反映原有知識(shí)

　　傳統(tǒng)的語(yǔ)音識(shí)別和采用模糊神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別是有區(qū)別的。在傳統(tǒng)的語(yǔ)音識(shí)別方法中，模式匹配法是在對(duì)語(yǔ)音做過(guò)預(yù)處理之后，通過(guò)特征參數(shù)的提取及模式匹配完成識(shí)別。由于語(yǔ)音信號(hào)的高度多變性，輸入模式要與標(biāo)準(zhǔn)模式完全匹配是幾乎不可能的。因此，識(shí)別時(shí)要預(yù)先制定好計(jì)算輸入的語(yǔ)音特征模式與各特征模式的類似或距離的規(guī)則，距離最小者就是最類似的模式。而句法模式識(shí)別法當(dāng)認(rèn)為輸入的位置模式屬于某個(gè)對(duì)象時(shí)，就要檢查一下輸入模式與識(shí)別對(duì)象的結(jié)構(gòu)，當(dāng)與對(duì)象模式結(jié)構(gòu)相同或在某范圍內(nèi)結(jié)構(gòu)一致時(shí)，則判定該未知模式就是識(shí)別對(duì)象的語(yǔ)音。模糊神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別方法與傳統(tǒng)方法的差異在于提取了語(yǔ)音的特征參數(shù)后，不像傳統(tǒng)方法那樣有輸入模式與標(biāo)準(zhǔn)模式的比較匹配，而是靠模糊神經(jīng)網(wǎng)絡(luò)根據(jù)專家知識(shí)或者先驗(yàn)知識(shí)，先對(duì)輸入特征數(shù)據(jù)進(jìn)行模糊化產(chǎn)生對(duì)不同規(guī)則的隸屬度，然后根據(jù)標(biāo)準(zhǔn)來(lái)調(diào)節(jié)網(wǎng)絡(luò)中大量的連接權(quán)對(duì)輸入模式進(jìn)行非線性運(yùn)算，產(chǎn)生最大興奮的輸入點(diǎn)就代表了輸入模式對(duì)應(yīng)的分類。

　　模糊控制于20世紀(jì)六十年代萌芽于美國(guó)，七十年代誕生于歐洲，八十年代當(dāng)西方人不太喜歡“模糊理論”時(shí)，它卻在日本發(fā)展并廣泛用于家電的自動(dòng)控制，九十年代與神經(jīng)網(wǎng)絡(luò)以來(lái)，才得到全球的廣泛認(rèn)可并成為智能系統(tǒng)的一個(gè)重要分支。雖然模糊神經(jīng)網(wǎng)絡(luò)的研究沒(méi)有神經(jīng)網(wǎng)絡(luò)長(zhǎng)，但由于它結(jié)合了模糊控制和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，現(xiàn)在以廣泛的用于各個(gè)領(lǐng)域。目前模糊神經(jīng)網(wǎng)絡(luò)在語(yǔ)音信號(hào)處理中的應(yīng)用研究十分活躍，其中以在語(yǔ)音識(shí)別方面的應(yīng)用已經(jīng)取得較大的進(jìn)步。同神經(jīng)網(wǎng)絡(luò)相似，模糊神經(jīng)也主要是從聽(tīng)覺(jué)神經(jīng)模型中得到啟發(fā)，以便構(gòu)成一些具有類似能力的人工系統(tǒng)，使它們?cè)诮鉀Q語(yǔ)音信號(hào)處理（特別是識(shí)別）問(wèn)題時(shí)能得到較好的性能。研究模糊神經(jīng)網(wǎng)絡(luò)以探索人的聽(tīng)覺(jué)神經(jīng)機(jī)理，改進(jìn)現(xiàn)有語(yǔ)音語(yǔ)音識(shí)別系統(tǒng)的性能，是當(dāng)前語(yǔ)音識(shí)別研究的一個(gè)重要方向。

　　模糊神經(jīng)元

　　模糊神經(jīng)網(wǎng)絡(luò)是全部或部分采用模糊神經(jīng)元構(gòu)成的一類可處理模糊信息的神經(jīng)網(wǎng)絡(luò)系統(tǒng)。模糊神經(jīng)元除具有普通鉀經(jīng)元的功能外，還具有處理模糊信息的能力。模糊神經(jīng)元按功能可分為

　　1.由模糊規(guī)則“工f-then”規(guī)則描述的模糊神經(jīng)元。該規(guī)則常用于表示專家知識(shí)，此類神經(jīng)元由此規(guī)則描述。

　　If x， and x2 and…x， then Y

　　這里x，，x2，。。。）x。是當(dāng)前輸入，Y是神經(jīng)元的當(dāng)前輸出。此模式中神經(jīng)元的經(jīng)驗(yàn)存儲(chǔ)在模糊關(guān)系中，其中輸出由當(dāng)前和過(guò)去的經(jīng)驗(yàn)組成。

　　2.具有清晰輸入的模糊化模糊神經(jīng)元。

　　此神經(jīng)元有N個(gè)非模糊輸入，加權(quán)操作由隸屬度函數(shù)代替。每個(gè)加權(quán)操作的結(jié)果是模糊集中相應(yīng)輸入的隸屬度值。由⑧表示的積累過(guò)程可利用MIN， MAX以及其它任意的T一范數(shù)或T一余范數(shù)。數(shù)學(xué)表示如下：

　　P（xl，x2，…，xn）=u， （x，）⑧U2 （X2）⑧，二⑧un （x，）（4. I）

　　x、是神經(jīng)元的第i個(gè)輸入，。（。）是第i個(gè)權(quán)值的隸屬度函數(shù)，P為神經(jīng)元輸出，⑧表示累積算子。

　　3.具有模糊輸入的模糊化模糊神經(jīng)元。

　　二類神經(jīng)元不同，這里的加權(quán)操作不是一個(gè)隸屬度函數(shù)，而是對(duì)每個(gè)模糊輸入進(jìn)行修正的操作。數(shù)學(xué)表示如下：

　　Y=x，⑧x2⑧…⑧xn（4.2）

　　x，=G; （x;）1=1）2，…，n （4.3）

　　這里Y是表示模糊神經(jīng)元輸出的模糊集，x，和瓦是加權(quán)操作之前和之后的第i個(gè)輸入。G;是第i個(gè)和突觸連接上的加權(quán)操作。

　　一個(gè)自適應(yīng)神經(jīng)元可以通過(guò)權(quán)的修正來(lái)進(jìn)行學(xué)習(xí)改進(jìn)其性能，在模糊神經(jīng)元中還可以利用所謂“軀體”修正，即對(duì)神經(jīng)元體的結(jié)構(gòu)進(jìn)行修改;可改變規(guī)則（If-then）;改變分配給模糊子集的隸屬度函數(shù);改變表示規(guī)則的方式等。

　　模糊神經(jīng)網(wǎng)絡(luò)模型

　　目前，模糊神經(jīng)網(wǎng)絡(luò)模型絕大多數(shù)都是多層前向網(wǎng)絡(luò)結(jié)構(gòu)，這與模糊推理的單向性質(zhì)有關(guān)，由于神經(jīng)元的不同以及融入模糊成分的不同，使出現(xiàn)了不同性質(zhì)的模糊神經(jīng)網(wǎng)絡(luò)。各種模糊神經(jīng)網(wǎng)絡(luò)的主要區(qū)別在于隸屬函數(shù)、模糊加權(quán)算子、模糊激勵(lì)函數(shù)和輸入輸出的形式，以及結(jié)構(gòu)與參數(shù)的設(shè)定和調(diào)整方法。模糊神經(jīng)網(wǎng)絡(luò)的原理結(jié)構(gòu)圖，如圖4-4。

　　該網(wǎng)絡(luò)先通過(guò)模糊函數(shù)將輸入數(shù)據(jù)模糊化，然后對(duì)照專家知識(shí)形成的模糊規(guī)則庫(kù)對(duì)網(wǎng)絡(luò)進(jìn)行模糊推理，最后對(duì)模糊推理的結(jié)果進(jìn)行清晰化處理，得到最終的網(wǎng)絡(luò)輸出。由圖4-4的原理結(jié)構(gòu)圖可以得到基本的網(wǎng)絡(luò)構(gòu)成，如圖4-50

　　第一層：輸入層。輸入層的節(jié)點(diǎn)代表輸入語(yǔ)言變量，其作用是將輸入值傳送到下一層。

　　第二層：模糊化層。模糊化層是一個(gè)可將前提條件中的模糊變量的狀態(tài)轉(zhuǎn)化為基本狀態(tài)的網(wǎng)絡(luò)層，這種轉(zhuǎn)化的依據(jù)是定義在前提模糊變量定義域上的模糊子空間。這些模糊子空間與模糊推理前提條件中的基本模糊狀態(tài)相對(duì)應(yīng)。

　　第三層：模糊推理層。模糊推理層聯(lián)系著模糊理論的前提與結(jié)論，準(zhǔn)確的說(shuō)是模糊推理的前提變量的基本模糊狀態(tài)和結(jié)論變量的基本狀態(tài)。其網(wǎng)絡(luò)參數(shù)即模糊推理過(guò)程中

　　前提變量的基本模糊狀態(tài)和結(jié)論變量的基本模糊狀態(tài)之間的模糊關(guān)系，它們由具體問(wèn)題所確定。

　　第四層：去模糊化層（即清晰化層）。去模糊化層是將推理結(jié)論變量的分布型基本模糊狀態(tài)轉(zhuǎn)化成確定狀態(tài)的網(wǎng)絡(luò)層。