最近需要在cortexm4是做一套非特定人孤立詞識別演算法，研究了一下語音識別演算法，目前較為廣泛的是dtw、hmm和ann，由於mcu算力有限，演算法較為簡單的dtw顯然是不二之選。
dtw(dynamic timewarping)
演算法是一種模式匹配經典演算法，它使用動態規劃（
dp）的方法成功解決了語音頻號特徵引數序列時間對準的問題，演算法較為簡單，有效，對處理器效能要求不高，在孤立詞語音識別中獲得了廣泛應用。
dtw演算法對於特定人孤立詞識別準確度較高，但是對於非特定人，其特徵引數於模型庫有時候會存在較大區別，從而導致識別率不高的現象。
為解決該問題，本文嘗試採用自學習方式更新模板庫，從而提高裝置的識別率。
步驟如下：
1、獲取當前語音的特徵引數後，與預置的標準特徵對比。預置兩種匹配度：最低匹配及高度匹配。
2、如果標準特徵匹配通過，先輸出匹配成功，去執行相應動作以提高響應速度。如果不通過，則開始使用者特徵匹配。
3、如果是高度匹配標準特徵，則程式返回，否則開始使用者特徵匹配。
4、如果使用者特徵是高度匹配，則程式返回，否則開始臨時特徵匹配。
5、如果臨時特徵庫不存在，則儲存當前特徵為臨時特徵。
6、如果臨時特徵為高度匹配，則臨時特徵匹配變數++。否則把當前輸入儲存為臨時特徵。
7、如果臨時特徵匹配變數大於預設值，意味著是同一使用者語音輸入，把臨時特徵儲存為使用者特徵。
通過上述操作，可以自動更新經常使用該裝置使用者的語音特徵，提高裝置識別率。
模板定義：
特徵模板
說明模板1
同一孤立詞訓練挑選的3個不通模組
模板2模板3
使用者模板1
兩個使用者模組，預設為空
使用者模板2
臨時模板
用於儲存最後一次特徵引數
#define feature_lib_num 3
#define user_lib_num 2
typedef struct dtw_feature_struct
dtwfraturelib;
python自學習筆記
求冪 3 5 3的5次方 求餘數 7 2 1 7 2 3 字串轉換成浮點型 a 87.3 b float a a 87.3 b 87.3 輸入字串 這裡輸入的是字串 some raw input 12 some 12 a 1.3 print a,type a 可以多個輸出後面直接接逗號分開 sequ...
石頭剪刀布自學習人工智慧
先點關注，不迷路 前一段靈光一現，想出了這個演算法 不知道以前有沒有人寫過 應該是有的 不過我覺得我還是可以大概說一下我的想法 還是那句話，講得不好勿噴 詳解 既然是自學習，那肯定是得學習的 石頭剪刀布這個遊戲本身可能是沒什麼可學的，隨機數就可以獲得不錯的勝率 由於勝負是由兩個人的決策決定的，只能通...
無監督學習之自學習與半監督學習
有兩種常見的無監督特徵學習方式，區別在於有什麼樣的未標註資料。自學習 self taught learning 是其中更為一般的 更強大的學習方式，它不要求未標註資料和已標註資料來自同樣的分布。另外一種帶限制性的方式也被稱為半監督學習，它要求未標註資料和已標註資料服從同樣的分布。這個例子裡，未標註資...