语音识别的三种常见算法及70种算法汇总

问题导读

1.本文列举了哪些方法？
2.这三种方法各有什么特点？
3.除了这三种方法，还有哪些？


本文列举了几种不同的语音识别方法。

第一种：基于动态时间规整（Dynamic Time Warping）的算法
在连续语音识别中仍然是主流方法。
该方法的运算量较大，但技术上较简单，识别正确率高。
在小词汇量、孤立字（词）识别系统中，也已有许多改进的DTW算法被提出。例如，利用频率尺度的DTW算法进行孤立字（词）识别的方法。

第二种：基于参数模型的隐马尔可夫模型（HMM）的方法
该算法主要用于大词汇量的语音识别系统，它需要较多的模型训练数据，较长的训练和识别时间，而且还需要较大的内存空间。
一般连续隐马尔可夫模型要比离散隐马尔可夫模型计算量大，但识别率要高。

第三种：基于非参数模型的矢量量化（VQ）的方法
该方法所需的模型训练数据，训练和识别时间，工作存储空间都很小。
但是VQ算法对于大词汇量语音识别的识别性能不如HMM好。
在孤立字（词）语音识别系统中得到了很好的应用。

另外，还有基于人工神经网络（ANN）的算法和混合算法，如ANN/HMM法，FSVQ/HMM法等。
更多语音识别算法如下:

卷积神经网络

深度学习神经网络

BP神经网络

RBF神经网络

模糊聚类神经网络

改进的T-S模糊神经网络

循环神经网络

小波神经网络

混沌神经网络

小波混沌神经网络

神经网络和遗传算法

动态优化神经网络

K均值和神经网络集成

HMM与自组织神经网络的结合

正交基函数对向传播过程神经网络

HMM和新型前馈型神经网络

特征空间随机映射

SVM多类分类算法

特征参数归一化

多频带谱减法

独立感知理论

分段模糊聚类算法VQ-HMM

优化的竞争算法

双高斯GMM特征参数

MFCC和GMM

MFCCs和PNN

SBC和SMM

MEL倒谱系数和矢量量化

DTW

LPCC和MFCC

隐马尔科夫模型HMM
————————————————

原文链接：https://blog.csdn.net/weixin_42039090/article/details/82897439

最新经典文章，欢迎关注公众号

感谢分享