⛄一、获取代码方式
获取代码方式1：
完整代码已上传我的资源：【语音识别】基于matlab GUI HMM中文语音识别【含Matlab源码 1385期】
点击上面的蓝色字体，付费直接下载，就可以了。
[En]
Click on the blue font above, pay to download directly, and you can.
获取代码方式2：
付费专栏Matlab语音处理（初级版）
备注：
点击上面蓝色字体 付费专栏Matlab语音处理（初级版），扫描上面二维码，付费29.9元订阅海神之光博客 付费专栏Matlab语音处理（初级版），凭支付凭证，私信博主，可免费获得 1份本博客上传CSDN资源代码（ 有效期为订阅日起，三天内有效）；
点击CSDN资源下载链接：1份本博客上传CSDN资源代码
⛄二、隐马尔可夫模型简介
隐马尔可夫模型(Hidden Markov model, HMM)是一种结构最简单的动态贝叶斯网的生成模型，它也是一种著名的有向图模型。它是典型的自然语言中处理标注问题的统计机器学模型，本文将重点介绍这种经典的机器学习模型。
1 引言
假设有三个不同的骰子(6面、4面、8面)，每次先从三个骰子里面选择一个，每个骰子选中的概率为1/3，如下图所示，重复上述过程，得到一串数值[1,6,3,5,2,7]。这些可观测变量组成可观测状态链。同时，在隐马尔可夫模型中还有一条由隐变量组成的隐含状态链，在本例中即骰子的序列。比如得到这串数字骰子的序列可能为[D6, D8, D8, D6, D4, D8]。
隐马尔可夫类型示意图如下：
[En]
The diagram of the hidden Markov type is as follows:
在图中，箭头表示变量之间的依赖关系。图中的箭头如下所示：
[En]
In the figure, the arrows represent the dependencies between variables. The arrows in the figure are described as follows:
在任意时刻，观测变量(骰子)仅依赖于状态变量(哪类骰子)，同时t时刻的状态qt仅依赖于t-1时刻的状态qt-1。这就是马尔科夫链，即系统的下一时刻仅由当前状态（无记忆），即”齐次马尔可夫性假设”
2 隐马尔可夫模型的定义
根据上面的例子，这里给出隐马尔可夫的定义。隐马尔科夫模型是关于时序的概率模型，描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列，再由各个状态生成一个可观测的随机序列的过程，隐藏的马尔可夫链随机生成的状态序列，称为状态序列(也就上面例子中的D6，D8等)；每个状态生成一个观测，而由此产生的观测随机序列，称为观测序列(也就上面例子中的1，6等)。序列的每个位置又可以看作是一个时刻。
隐马尔可夫模型由初始的概率分布、状态转移概率分布以及观测概率分布确定。具体的形式如下，这里设Q是所有可能的状态的集合，V是所有可能的观测的集合，即有：
3 前向算法
对于步骤一的初始，是初始时刻的状态i1 = q1和观测o1的联合概率。步骤(2) 是前向概率的递推公式，计算到时刻t+1部分观测序列为o1,o2,…,ot,ot+1 且在时刻t+1处于状态qi的前向概率。如上图所示，既然at(j)是得到时刻t观测到o1,o2,…,ot并在时刻t处于状态的qj前向概率，那么at(j)aji就是到时刻t观测到o1,o2,…,ot并在是时刻t处于qj状态而在时刻t+1到达qi状态的联合概率。对于这个乘积在时刻t的所有可能的N个状态求和，其结果就是到时刻t观测为o1,o2,…,ot，并在时刻t+1处于状态qi的联合概率。最后第三步，计算出P(O|lamda)的结果。
当然，这只是众多算法中的一个，类似于后向算法(您可以查看相关书籍进行了解)。为了解决隐马尔可夫模型的动态规划预测问题，维特比算法得到了最广泛的应用。
[En]
Of course, this is only one of the many algorithms, similar to the backward algorithm (you can see the relevant books to understand). For dynamic programming to solve the prediction problem of hidden Markov model, Viterbi algorithm is most widely used.
; ⛄三、部分源代码
%本程序应用多窗谱法估计的语音信号功率谱密度（PSD）来进行谱减语音增强
clear;
a=2; %过减因子
b=0.01; %增益补偿因子
c=0; %c=0时，不对增益矩阵进行开方，c=1时，进行开方运算
%读取语音文件—————————————————————
[filename,pathname]=uigetfile(‘SNR_0-增大.wav’,’请选择语音文件：’);
[wavin_t,fs]=audioread([pathname filename]);
wav_length=length(wavin_t);
%基音周期最大为20ms，为使ifft还原后语音失真尽量小，帧长至少要为基音周期的2倍
%根据fs选择帧长：
% switch fs
% case 8000
% frame_len=320;step_len=160;
% case 10000
% frame_len=400;step_len=200;
% case 12000
% frame_len=480;step_len=240;
% case 16000
% frame_len=640;step_len=320;
% case 44100
% frame_len=1800;step_len=900;
% otherwise
% frame_len=1800;step_len=900;
% end;
frame_len=320;step_len=160;
frame_num=ceil((wav_length-step_len)/step_len);
wavin=zeros(1,frame_numframe_len);
wavin(1:wav_length)=wavin_t(😃;
inframe=zeros(frame_len,frame_num);
for i=1:frame_num;
inframe(:,i)=wavin(((i-1)step_len+1)😦(i-1)*step_len+frame_len));
end;
%inframe=(ENFRAME(wavin,frame_len,step_len))’; %分帧
%frame_num=size(inframe,2); %求帧数
window=hamming(frame_len); %定义汉明窗
%分别对每帧fft，求幅值，求相角———————————————–
for i=1:frame_num;
fft_frame(:,i)=fft(window.*inframe(:,i));
abs_frame(:,i)=abs(fft_frame(:,i));
ang_frame(:,i)=angle(fft_frame(:,i));
end;
%每相邻三帧平滑————————————————————-
abs_frame_f=abs_frame;
for i=2:frame_num-1;
abs_frame_f(:,i)=mean(abs_frame(:,(i-1):(i+1)),2);
end;
abs_frame=abs_frame_f;
%求增益矩阵—————————————————————–
%矩阵中每一元素为：
%g(k)=(Py(k)-a*Pn(k))/Py(k)
%Py和Pn分别为带噪语音和噪声的功率谱估计，都用MATLAB中自带的pmtm函数来估计
%可根据需要调节a的大小，来得到更好的效果
%用多窗谱法法对每一帧数据进行功率谱估计
for i=1:frame_num;
per_PSD(:,i)=pmtm(inframe(:,i),3,frame_len,’twosided’);
end;
%对功率谱的每相邻三帧进行平滑
per_PSD_f=per_PSD;
for i=2:frame_num-1;
per_PSD_f(:,i)=mean(per_PSD(:,(i-1):(i+1)),2);
end;
per_PSD=per_PSD_f;
%取前20帧作为噪声帧，取其平均作为噪声的功率谱估计
noise_PSD=mean(per_PSD(:,1:20),2);
%求增益矩阵
for k=1:frame_num;
g(:,k)=(per_PSD(:,k)-a _noise_PSD)./per_PSD(:,k);
end;
function test(hmm)
clc;
load mylabel.mat;
load myhmm.mat;
tn=98;%测试样本个数
num=length(label);%模版个数
ccount=0;%识别正确的命令个数
for i=1:tn
fname = sprintf(‘test\%d.wav’,i);
x = audioread(fname);
[x1 x2] = vad(x);
x=0.2_x/max(x);%幅度统一化
m = mfcc(x);
m = m(x1-2:x2-2,:);
for j=1:num
pout(j) = viterbi(hmm{j}, m);
end
[d,n] = max(pout);
%n = mod(n, 10);
fprintf(‘第%d个命令, 识别为%s%s\n’, i,label(n,1),label(n,2));
aa=ceil(i/7);
⛄四、运行结果
; ⛄五、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1]韩纪庆,张磊,郑铁然.语音信号处理（第3版）[M].清华大学出版社，2019.
[2]柳若边.深度学习:语音识别技术实践[M].清华大学出版社，2019.
3 备注
本部分摘录自互联网，仅供参考，如有侵权，请联系删除
[En]
Brief introduction this part is extracted from the Internet, for reference only, if infringement, contact to delete
Original: https://blog.csdn.net/TIQCmatlab/article/details/120712367
Author: 海神之光
Title: 【语音识别】基于matlab GUI HMM中文语音识别【含Matlab源码 1385期】
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/512808/
转载文章受原作者版权保护。转载请注明原作者出处！