语音信号的模式匹配和训练  

模型训练即将特征向量进行训练建立模板，模式匹配即将当前特征向量与语音库中的模板进行匹配得出结果。语音库的模式匹配和训练采用隐马尔可夫模型HMM (Hidden Markov Models)，他是一种统计随机过程统计特性的概率模型一个双重随机过程，因为隐马尔可夫模型能够很好地描述语音信号的非平稳性和可变性，因此得到广泛的使用。  

HMM的基本算法有3种：Viterbi算法，前向一后向算法，Baum-Welch算法。本次设计使用Viterbi算法进行状态判别，将采集语音的特征向量与语音库的模型进行模式匹配。Baum-Welch算法用来解决语音信号的训练，由于模型的观测特征是帧间***的，从而可以使用Baum- Welch算法进行HMM模型的训练。  

3．4 语音识别程序的DSP开发

DSP的开发环境为CCS3．1及。DSP／BIOS，将语音识别和训练程序分别做成模块，定义为不同的函数，在程序中调用。定义语音识别器函数为int Recognizer(int Micin)，识别结果输出函数为int Result(void)，语音训练器函数为int Train(int Tmode，int Audiod)，动作指令输入函数为int Keyin(int Action)。  

语音识别器的作用是将当前语音输入变换成语音特征向量，并对语音库的模板进行匹配并输出结果，语音应答输出函数将获取的语音识别结果对应的语音应答输出，语音训练是将多个不同年龄、不同性别、不同口音的人语音指令输入转化为训练库的模板。为防止样本错误，每个人的语音指令需要训练2次，对于2次输入用用欧氏距离去进行模式匹配，若2次输入相似度达到95％，则加入样本集。语音应答输入函数是为每个语音库中模板输入对立的语音输出，以达到语言应答目的。系统工作状态为执行语言识别子程序，训练时执行外部中断，执行训练函数，取得数据库模板，训练完毕返回。程序框图如图3所示。



4 机器人的动作控制系统设计 

4．1 FPGA逻辑设计

系统通过语音控制机器人头部动作，头部运动分为上下和左右运动2个自由度，需要2个步进电机控制，DSF完成语音识别以后，输出相应的动作指令，动作执行结束后，DSP发出归零指令，头部回到初试状态。FPGA的作用是提供DSP接口逻辑，设置存储DSP指令的RAM块，同时产生步进电机驱动脉冲控制步进电机转动方向和角度。

FPGA器件为动作指令控制单元，设计采用FLEXlOKE芯片，接收DSP数据后并行控制2路步进电机。FPGA内部结构逻辑如图4所示，FPGA内部设置2个元件为电机脉冲发生器，控制电机的工作脉冲以及正反转。AO～A7为DSP数据输入端口，WR为数据写端口，P1，P2为2个步进电机驱动芯片脉冲输入口，L1，L2为电机正反转控制口，ENABLE为使能信号。



RAM1和RAM2分别为2个步进电机的指令寄存器，电机脉冲发生器发出与RAM中相应数量的方波脉冲。DSP通过DO～D8数据端输出8位指令，其中。 D8为RAM选择，为1时选择RAM1，为0时选择RAM0，DO～D7为输出电机角度，电极上下和左右旋转角度为120°，精度为1°，初始值都为 60°，DO～D7的范围为00000000～11111000，初始值为00111100。FPGA作为步进脉冲发生器，通过时钟周期配置控制电机转速，与初始值对应坐标决定正反转。系统动作指令程序如图5所