[发明专利]一种应用于电力调度规范性评价的智能语音分析方法

权利要求书

1.一种应用于电力调度规范性评价的智能语音分析方法，其特征在于，包括以下步骤：

步骤一：收集电力行业的语言材料，明确语音语义匹配库需要的数据内容；

步骤二：通过收集的电力行业语料库、电力调度规范用语语料库和常用的情感语料库对GMM-HMM模型进行训练；

步骤三：语音输入，通过设备上的声卡读取麦克风中输入的语音信号，实现实时语音信号采集；

步骤四：对语音信号进行预加重，去除口唇辐射的影响，增加语音的高频分辨率；

步骤五：对步骤三得到的语音信号使用汉宁窗进行加窗处理；

步骤六：对加窗后的语音信号进行离散傅里叶变换，从每一段加窗后的音频中分别提取出频域信号；

步骤七：对步骤五输出的频谱通过三角梅尔滤波器组，得到梅尔频谱；

步骤八：对梅尔频谱取对数，增强特征的鲁棒性，输出FBANK特征；

步骤九：对FBANK特征进行离散余弦变换，把包络与谐波分开，去除频谱中的毛刺；

步骤十：在FBANK特征的基础上拼接Pitch特征，形成基础声学特征；

步骤十一：采用一阶导数提取动态特征；

步骤十二：基于GMM-HMM将基础声学特征和动态特征与电力行业语料库、电力调度规范用语语料库进行对比；

步骤十三：记录电力调度过程中说错的电力专业词汇，将进行记录；

步骤十四：基于GMM-HMM将基础声学特征和动态特征与情感语料库进行对比；

步骤十五：记录电力调度过程中的消极词汇进行记录；

步骤十六：对话结束后，生成电力调度规范性评价报告。

2.根据权利要求1所述的应用于电力调度规范性评价的智能语音分析方法，其特征在于：所述步骤二中，根据电力行业语料库、电力调度规范用语语料库和情感语料库的统计量和音素集通过聚类的方式生成决策树，基于决策树绑定状态，然后使用EM算法对模型做迭代训练，直到收敛。

3.根据权利要求1所述的应用于电力调度规范性评价的智能语音分析方法，其特征在于：所述步骤四中，对语音信号进行预加重的公式如下：

其中，x[t]表示音频数据的第t个数，a的取值范围为(0.95,0.99)。

4.根据权利要求1所述的应用于电力调度规范性评价的智能语音分析方法，其特征在于：所述步骤五中，对语音信号进行加窗的公式如下：

其中，x[n]是所取窗口内的第n个数，w[n]是与之对应的权重。

5.根据权利要求1所述的应用于电力调度规范性评价的智能语音分析方法，其特征在于：所述步骤六中，提取频域信号的公式如下：

其中，X[k]为提取频域信号，exp为指数函数，N为频域抽样点数。

6.根据权利要求1所述的应用于电力调度规范性评价的智能语音分析方法，其特征在于：所述步骤七中，计算得到梅尔频谱的公式如下：

其中，w_l(k)为对应滤波器的滤波系数，o(l)、c(l)、h(l)为实际频率坐标轴上对应滤波器的下限频率、中心频率和上限频率，f_s为采样率，L为滤波器个数，F(l)即为滤波输出。

7.根据权利要求1所述的应用于电力调度规范性评价的智能语音分析方法，其特征在于：所述步骤八中，输出FBANK特征的计算公式如下：

其中，Q为FBANK参数的阶数，S_i即为所得FBANK参数。

8.根据权利要求1所述的应用于电力调度规范性评价的智能语音分析方法，其特征在于：所述步骤九中，对FBANK特征进行离散余弦变换的公式如下：

其中，N为取log之后的特征维度，C_i是得到N维的特征向量，M是离散余弦变换之后的特征维度；离散余弦变换DCT的实质是去除各维信号之间的相关性，将信号映射到低维空间。