本文基于毫米级全方位无回转半径移动机器人课题。微系统配置示意图如图1所示。主要由主机Host(配有图像采集卡)、两个CCD摄像头(其中一 个为显微摄像头)、微移动装配平台、微机器人本体和系统控制电路板等组成。计算机和摄像机组用于观察微机器人的方位，控制系统控制微机器人的移动。

　　本文在系统控制电http://www.szmzhg.com/电感厂家路中嵌入式实现语音识别算法，通过语音控制微机器人。 微机器人控制系统的资源有限，控制方法比较复杂，并且需要有较高的实时性，因此本文采用的语音识别算法必须简单、识别率高、占用系统资源少。 HMM(隐马尔可夫模型)的适应性强、识别率高，是当前语音识别的主流算法。使用基于HMM非特定人的语音识别算法虽然借助模板匹配减小了识别所需的资源，但是前期的模板储存工作需要大量的计算和存储空间，因此移植到嵌入式系统还有一定的难度，所以很多嵌入式应用平台的训练部分仍在PC机上实现。 为了使训练和识别都在嵌入式系统上实现，本文给出了一种基于K均值分段HMM模型的实时学习语音识别算法，不仅解决了上述问题，而且做到了智能化，实现了真正意义上的自动语音识别。 1 增量K均值分段HMM的算法及实现 由于语音识别过程中非特定的因素较多，为了提高识别的准确率，针对本系统的特点，采用动态改变识别参数的方法提高系统的识别率。 训练算法是HMM中运算量最大、最复杂的部分，训练算法的输出是即将存储的模型。目前的语音识别系统大都使用贝斯曼参数的HMM模型，采取最大似然度算 法。这些算法通常是批处理函数，所有的训练数据要在识别之前训练好并存储。因此很多嵌入式系统因为资源有限不能达到高识别率和实时输出。 本系统采用了自适应增量K均值分段算法。在每次输入新的语句时都连续地计算而不对前面的数据进行存储，这可以节约大量的时间和成本。输入语句时由系统的识别结果判断输入语句的序号，并对此语句的参数动态地修改，真正做到了实时学习。 K均值分段算法是基于最佳状态序列的理论，因此可以采用Viterbi算法得到最佳状态序列，从而方便地在线修改系统参数，使训练的速度大大提高。 为了达到本系统所需要的功能，对通常的K均值算法作了一定的改进。在系统无人监管的情况下，Viterbi解码计算出最大相似度的语音模型，根据这个假 设计算分段K均值算法的输入参数，对此模型进行参数重估。首先按照HMM模型的状态数进行等间隔分段，每个间隔的数据段作为某一状态的训练数据，计算模型 的初始参数λ=f(a，A，B)。采用Viterbi的最佳状态序列搜索，得到当前最佳状态序列参数和重估参数θ，其中概率密度函数P(X，S|θ)代替 了最大似然度算法中的P(X，θ)，在不同的马尔科夫状态和重估之间跳转。基于K均值算法的参数重估流程如下： 大功率电感厂家 |大电流电感工厂