隱馬爾可夫模型，即HMM是一種基于概率方法的模式匹配方法。它的應用是20世紀80年代以來語音識別領域取得的重要成果。

　　一個HMM模型可以表示為：

?

　　式中：π為初始狀態概率分布，πi=P(q1=θi)，1≤i≤N，表示初始狀態處于θi的概率;A為狀態轉移概率矩陣，(aij)N×N，aij=P(qt+1 =θj|qt=θi)，1≤i，j≤N;B為觀察值概率矩陣，B={bj(ot)}，j=1，2，…，N，表示觀察值輸出概率分布，也就是觀察值ot處于狀態j的概率。

　　1.3 模型訓練

　　HMM有多種結構類型，并且有不同的分類方法。根據狀態轉移矩陣(A參數)和觀察值輸出矩陣(B參數)的不同有不同類型的HMM。

　　對于CHMM模型，當有多個觀察值序列時，其重估公式由參考文檔給出，此處不再贅述。

　　1.4 概率計算

　　利用HMM的定義可以得出P(O|λ)的直接求取公式：

?

　　式(2)計算量巨大，是不能接受的。Rabiner提出了前向后向算法，計算量大大減小。定義前向概率：

?

　　式(2)表示的是初始前向概率，其中bi(o1)為觀察值序列處于t=1時刻在狀態i時的輸出概率，由于它服從連續高斯混合分布，故此值往往極小。根據大量實驗觀察，通常小于10-10，此值在定點DSP中已不能用Q格式表示。分析式(3)可以發現，隨著時間t的增加，還會有大量的小數之間的乘法加法運算，使得新的前向概率值at+1更小，逐漸趨向于0，定點DSP采用普通的Q格式進行計算時便會負溢出，即便不發生負溢出也會大大丟失精度。因此必須尋找一種解決方法，在不影響DSP實時性的前提下，既不發生負溢出，又能提高精度。

　　2 DSP實現語音識別

　　孤立詞語音識別一般采用DTW動態時間規整算法。連續語音識別一般采用HMM模型或者HMM與人工神經網絡ANN相結合。

　　為了能實時控制機器人，首先需要考慮的是能夠實現實時地語音識別。而考慮到CHMM的巨大計算量以及成本因素，采用了數據處理能力強大，成本相對較低的定點數字信號處理器，即定點DSP。本實驗采用的是TI公司多媒體芯片TMS320DM642。定點DSP要能準確、實時的實現語音識別，必須考慮2點問題：精度問題和實時性問題。

　　精度問題的產生原因已經由1.4節詳細闡述，這里不再贅述。因此必須找出一種可以提高精度，而又不會對實時性造成影響的解決方法。基于以上考慮，本文提出了一種動態指數定標方法。這種方法類似于科學計數法，用2個32 b單元，一個單元表示指數部分EXP，另一個單元表示小數部分Frac。首先將待計算的數據按照指數定標格式歸一化，再進行運算。這樣當數據進行運算時，仍然是定點進行，從而避開浮點算法，從而使精度可以達到要求。

　　對于實時性問題，通常，語音的頻率范圍大約是300～3 400 Hz左右，因而本實驗采樣率取8 kHz，16 b量化。考慮識別的實現，必須將語音進行分幀處理。研究表明，大約在10～30 ms內，人的發音模型是相對穩定的，所以本實驗中取32 ms為一幀，16 ms為幀移的時間間隔。

　　解決實時性問題必須充分利用DSP芯片的片上資源。利用EDMA進行音頻數據的搬移，提高CPU利用率。采用PING—PONG緩沖區進行數據的緩存，以保證不丟失數據。CHMM訓練的模板放于外部存儲器，由于外部存儲器較片內存儲器的速度更慢，因此開啟CACHE。建立DSP/BIOS任務，充分利用BIOS進行任務之間的調度，實時處理新到的語音數據，檢測語音的起止點，當有語音數據時再進入下一任務進行特征提取及識別。將識別結果用揚聲器播放，并送入到機器人的控制模塊。

　　實驗中，采用如圖3的程序架構。

?