本文基于毫米級全方位無回轉半徑移動機器人課題。微系統配置示意圖如圖1所示。主要由主機Host(配有圖像采集卡)、兩個CCD攝像頭(其中一個為顯微攝像頭)、微移動裝配平臺、微機器人本體和系統控制電路板等組成。計算機和攝像機組用于觀察微機器人的方位，控制系統控制微機器人的移動。

　　本文在系統控制電路中嵌入式實現語音識別算法，通過語音控制微機器人。
　　微機器人控制系統的資源有限，控制方法比較復雜，并且需要有較高的實時性，因此本文采用的語音識別算法必須簡單、識別率高、占用系統資源少。
　　HMM(隱馬爾可夫模型)的適應性強、識別率高，是當前語音識別的主流算法。使用基于HMM非特定人的語音識別算法雖然借助模板匹配減小了識別所需的資源，但是前期的模板儲存工作需要大量的計算和存儲空間，因此移植到嵌入式系統" title="嵌入式系統">嵌入式系統還有一定的難度，所以很多嵌入式應用平臺的訓練部分仍在PC機上實現。
　　為了使訓練和識別都在嵌入式系統上實現，本文給出了一種基于K均值分段HMM模型的實時學習語音識別算法，不僅解決了上述問題，而且做到了智能化，實現了真正意義上的自動語音識別。
1 增量K均值分段HMM的算法及實現
　　由于語音識別過程中非特定的因素較多，為了提高識別的準確率，針對本系統的特點，采用動態改變識別參數的方法提高系統的識別率。
　　訓練算法是HMM中運算量最大、最復雜的部分，訓練算法的輸出是即將存儲的模型。目前的語音識別系統大都使用貝斯曼參數的HMM模型，采取最大似然度算法。這些算法通常是批處理函數，所有的訓練數據要在識別之前訓練好并存儲。因此很多嵌入式系統因為資源有限不能達到高識別率和實時輸出。
　　本系統采用了自適應增量K均值分段算法。在每次輸入新的語句時都連續地計算而不對前面的數據進行存儲，這可以節約大量的時間和成本。輸入語句時由系統的識別結果判斷輸入語句的序號，并對此語句的參數動態地修改，真正做到了實時學習。
　　K均值分段算法是基于最佳狀態序列的理論，因此可以采用Viterbi算法得到最佳狀態序列，從而方便地在線修改系統參數，使訓練的速度大大提高。
　　為了達到本系統所需要的功能，對通常的K均值算法作了一定的改進。在系統無人監管的情況下，Viterbi解碼計算出最大相似度的語音模型，根據這個假設計算分段K均值算法的輸入參數，對此模型進行參數重估。首先按照HMM模型的狀態數進行等間隔分段，每個間隔的數據段作為某一狀態的訓練數據，計算模型的初始參數λ=f(a，A，B)。采用Viterbi的最佳狀態序列搜索，得到當前最佳狀態序列參數和重估參數θ，其中概率密度函數P(X，S|θ)代替了最大似然度算法中的P(X，θ)，在不同的馬爾科夫狀態和重估之間跳轉。基于K均值算法的參數重估流程如下：
　　
　　為了使參數能更快地收斂，在每幀觀察語音最佳狀態序列的計算結束后，加入一個重估過程，以求更快地響應速度。
　　

　　可以看到，增量K均值算法的特點為：在每次計算完觀察值最佳狀態序列后，插入一個重估過程。隨時調整參數以識別下一個句子。
　　由于采用混合高斯" title="高斯">高斯密度函數作為輸出概率分布可以達到較好的識別效果，因此本文采用 M 的混合度對數據進行訓練。
　　對λ重估，并比較收斂性，最終得到HMM模型參數訓練結果。
　　可見，用K均值法在線修改時，一次數據輸入會有多次重估過程，這使系統使用最近的模型估計后續語句的最佳狀態序列成為可能。但是對于在線修改參數要求，快速收斂是很重要的。為了得到更好的 Viterbi序列，最佳狀態序列使用了漸增的算法模型，即快速收斂算法。
　　語音識別的具體實現過程為：數字語音信號通過預處理和特征向量的提取，用戶通過按鍵選擇學習或者識別模式；如果程序進入訓練過程，即用戶選擇進行新詞條的學習，則用分段K均值法對數據進行訓練得到模板；如果進入識別模式，則從Flash中調出聲音特征向量，進行HMM算法識別。在識別出結果后，立即將識別結果作為正確結果與前一次的狀態做比較，得到本詞條更好的模板，同時通過LED數字顯示和語音輸出結果。系統軟件流程如圖2所示。

　　對采集到的語音進行16kHz、12位量化，并對數字語音信號進行預加重：
　　H(Z)=1-0.98z^-1???????????? (5)
　　然后被分成20毫秒等長的幀，幀移為10秒，加漢明窗處理：
　　
　　L選擇為320個點，用短時平均能量和平均過零率判斷起始點，去除不必要的信息。
　　對數據進行FFT運算，得到能量譜，通過24通道的帶通濾波輸出X(k)，然后再通過DCT運算，提取12個MFCC系數和一階二階對數能量，提取38個參數可以使系統識別率得到提高。
　　為了進行連接詞識別，需要由訓練數據得到單個詞條的模型。方法為：首先從連接詞中分離出每個孤立的詞條，然后再進行孤立詞條的模型訓練。對于本系統不定長詞條的情況，每個詞條需要有一套初始的模型參數，然后按照分層構筑的HMM算法將所有詞串分成孤立的詞條。對每個詞條進行參數的重估，判斷是否收斂。如果差異小于某個域值就判斷為收斂；否則將得到的參數作為新的初始參數再進行重估，直到收斂。
2 實驗結果
　　實驗采用30個人(15男，15女)的聲音模型進行識別。首先由10人(5男，5女)對5個命令詞(前進、后退、左移、右移、快速)分別進行初始數據訓練，每人每詞訓練10次，得到訓練模板。然后再由這30人隨機進行非特定人語音識別。采用6狀態的HMM模型，高斯混合度選為14，得到圖3的實驗結果。

　　由圖3可以看出，由于本系統實時學習的特點，系統的識別率隨著訓練數據的增加而逐步上升(誤識率下降)。但是當實驗數據繼續增多時，系統的識別率和實時性都有下降趨勢。這是由于系統處于無人監管狀態，根據判斷結果進行參數重估。如果判斷結果錯誤，勢必將錯誤帶入參數重估步驟中。
　　逐步增加高斯混合度數目，可以得到圖4的實驗結果。可見高斯混合度在18的時候達到較好的識別效果，混合度太高識別率反而會有所下降，這是由于嵌入式系統的資源有限，運算復雜度的增長超過了嵌入式設備的限制所造成的。