3.3.3 應用中提高算法效率的改進方法

在計算傳統DTW算法過程中，如果限定動態規整的計算范圍，可以大大減小計算量，提高程序的性能。

采用平行四邊形限制動態規整范圍，如圖3，菱形之外的節點對應的幀匹配距離是不需要計算的，也沒有必要保存所有幀匹配距離矩陣和累積距離矩陣，以 ADTW的局部約束路徑為例，每一列各節點上的匹配計算只用到了前兩列的幾個節點。充分利用這兩個特點可以減少計算量和存儲空間的需求。把實際的動態規整分為三段，(1,Xa)，(Xa+1,Xb)和(Xb+1,N)，

由于X軸上每前進一幀，只用到前兩列的累積距離，所以只需要三個列矢量A、B和C分別保存連續三列的累積距離，而不需保存整個距離矩陣。每前進一幀都對A、B、C進行更新，即用A和B的值求出C，再根據B和C的值求出下一列的累積矩陣放入A中，由此可以反復利用這三個矢量，一直前進到X軸上最后一列，最后一個求出矢量的第M個元素即為兩個模板動態規整的匹配距離。

高效DTW對識別的區域進行了限制，整個平面區域大小為M×N，匹配區域的大小為

公式(12)

若M＝N＝150，則限定區域內的計算量只是傳統DTW算法計算量的24%；同時算法節省了空間，由原來的2個N×M矩陣，減少為3個M矢量，大大減少了需要的存儲空間，解決了普通DTW算法在存儲空間有限的嵌入式系統中難以實現的問題。

4. MATLAB實驗與分析

為了對算法的識別效果進行測試，設計了用于數字家庭控制系統的識別命令集，并基于Matlab構建了孤立詞語音識別系統，對識別算法進行實驗和分析。該命令集包括語音命令100條，分別是如下幾類：
l 語音通話控制命令，例如，“撥打電話”，數字，人名；
l 音樂控制類，“打開音樂”、“減小音量”等；
l 門窗控制類，“關閉百葉窗”、“打開大門”等；
l 家庭電器控制類，“打開空調”、“打開收音機”等。

該系統使用設計的端點檢測技術、特征提取和模板匹配技術。語音采用頻率為8KHz，16位量化精度，預加重系數a=0.95，語音幀每幀 30ms，240點為一幀，幀移為80，窗函數采用Hamming 窗。LPC參數為10階，LPCC參數為16階。實驗人員為三名同學，兩男一女，分別用甲乙丙代表，實驗環境為辦公室環境。實驗平臺為Windows XP，Matlab 7.0，進行的各項實驗和數據分別如下：

（1）改進端點檢測實驗

針對于設計的端點檢測算法，得到改進前和改進后語音識別率的變化，數據見表1。其中，改進前和改進后所用的參考模板和測試模板數據相同。實驗的過程是，Matlab程序自動把50個測試模板逐個和100個參考模板進行匹配，找到測試模板所對應的語音命令。

表1 改進端點檢測前后的識別率
Table 1. the recognition ratio of before and after ameliorate endpointing detection

從數據可以看出，對端點檢測進行改進后，平均識別率從74%提高到82%，這是因為改進后的端點檢測能夠有效地區分噪音和語音，嚴格的把語音段提取出來。

（2）使用冗余參考模板實驗

對每個語音命令建立四個參考模板，其他同實驗(1)，實驗數據見表2。

表2 使用冗余參考模板前后的識別率
Table 2. the recognition ratio of before and after use redundancy reference template

從實驗數據看出，使用冗余模板后，平均識別率由87.5%提高到95%，平均誤識率由12.5%下降到5%。所以，使用冗余參考模板有效的提高了識別性能。