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http://www.szmzhg.com/電感廠家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： 大功率電感廠家 |大電流電感工廠