自20世紀80年代以來，語音識別技術的研究取得了許多突破性進展，特別是基于隱馬爾可夫模型（HMM）的語音識別技術，目前已趨成熟，成為語音識別的主流。然而基本型的HMM模型也存在一些固有缺陷，這些缺陷除體現(xiàn)在狀態(tài)的持續(xù)時間沒有直接在模型參數(shù)中反映出來外，還表現(xiàn)在：

　?。?）采用狀態(tài)輸出獨立假設，每個時刻的輸出僅與所處的狀態(tài)有關，而與以前的輸出沒有關系，然而實際語音信號卻有很強的時間相關性，這就影響了HMM模型描述語音信號幀間相關性的能力。

　　（2）連續(xù)HMM模型假定狀態(tài)輸出概率密度函數(shù)為混合高斯分布函數(shù)，而實際的語音信號分布是非常復雜的，很難用簡單的高斯分布的組合形式來表征。為了彌補這些缺陷，許多改進的方法被提出來。

　　語音識別技術是近年來高速發(fā)展的一項技術，由于其重要的理論價值與廣闊的應用前景，受到人們的廣泛重視。語音是一個復雜的非線性過程，基于線性系統(tǒng)理論的語音識別方法的局限性越來越凸顯。近年來，隨著人工神經(jīng)網(wǎng)絡、模糊邏輯、粒子群優(yōu)化算法等非線性理論研究和應用的逐漸深入，這些理論已經(jīng)開始獨立或者相互交叉應用到語音識別領域中。

　　語言是人類獲取信息的主要來源之一，不僅是人類與外界交流信息最方便、最有效、最自然的手段，而且也是人與機器之間進行通信的重要工具。無論是人與人之間還是人與之間的語言通信，語音信號處理，特別是語音信號數(shù)字處理，都具有特別重要的作用。

　　隨著計算機技術的快速發(fā)展，用現(xiàn)代手段研究語音信號處理技術，使得人們能更加有效的產(chǎn)生、傳輸、存儲和獲得語音信息，這對于促進社會的發(fā)展具有十分重要的意義

　　數(shù)字語音信號處理，包括三方面內(nèi)容，即語音信號的數(shù)字表示法，語音信號數(shù)字處理理論的各種方法和技術及數(shù)字語音處理理論和技術在各領域中的實際應用。

　　模糊神經(jīng)網(wǎng)絡在語音識別中的應用

　　神經(jīng)網(wǎng)絡是在現(xiàn)代科學研究成果的基礎上提出來模擬人腦結構機制的一門新興科學，它不是人腦真實的全面描述，而是這類生物神經(jīng)網(wǎng)絡的抽象、模擬和簡化，其目的在于探索人腦的信息加工、存儲和搜索機制，從而為人工智能和信息處理等學科的研究開辟新途徑。人工神經(jīng)網(wǎng)絡就是采用物理可實現(xiàn)的系統(tǒng)來模擬人腦神經(jīng)細胞的結構和功能的系統(tǒng)。它是由很多處理單元有機地連接起來進行并行的工作，它的處理單元雖十分簡單，但其工作卻是“集體”進行的，它的信息傳播、存儲方式與神經(jīng)網(wǎng)絡相似，它沒有運算器、存儲器、控制器等這些現(xiàn)代計算機的基本單元，而是相同的簡單處理器的組合，其信息處理是存儲在處理單元的連接上

　　模糊邏輯是模仿人腦的不確定性概念判斷、推理思維方式，對于模型未知或不能確定的描述系統(tǒng)，以及非線性、大滯后的控制對象，應用模糊集合和模糊規(guī)則進行推理，表達過渡性界限或定性知識經(jīng)驗，模擬人腦方式，實行模糊綜合判斷，推理解決常規(guī)方法難于對付的規(guī)則型模糊信息問題。模糊邏輯善于表達界限不清晰的定性知識與經(jīng)驗，它借助于隸屬度函數(shù)概念，區(qū)分模糊集合，處理模糊關系，模擬人腦實施規(guī)則型推理，解決因“排中律”的邏輯破缺產(chǎn)生的種種不確定問題。

　　隨著模糊信息處理技術和神經(jīng)網(wǎng)絡技術研究的不斷深入，將模糊技術與神經(jīng)網(wǎng)絡技術進行有機結合，從而構造出一種可“自動”處理模糊信息的神經(jīng)網(wǎng)絡或自適應模糊系統(tǒng)，以成為模糊技術與神經(jīng)網(wǎng)絡技術深入研究和發(fā)展的一種必然趨勢。神經(jīng)網(wǎng)絡技術和模糊技術各自有自己的優(yōu)點，前者以生物神經(jīng)網(wǎng)絡為模擬基礎，試圖在模擬推理及自動學習方面向前發(fā)展一步，使人工智能更接近人腦的自組織和并行處理功能，它在模式識別、聚類分析和專家等多方面己顯示了新的前景和新的思路。后者以模糊邏輯為基礎，抓住了人類思維的模糊性特點，以模仿人的模糊綜合判斷推理來處理常規(guī)的方法難以解決的模糊信息處理的難題。而將模糊技術和神經(jīng)網(wǎng)絡技術相結合，可以有效的發(fā)揮各自的優(yōu)勢并彌補不足。模糊技術的特長在于拓展神經(jīng)網(wǎng)絡處理信息的范圍和能力，使其不僅能處理精確的信息也能處理模糊信息和其他不精確的信息，不僅能夠?qū)崿F(xiàn)精確的聯(lián)想及映射，還可以實現(xiàn)不精確的聯(lián)想和映射，特別是模糊聯(lián)想和模糊映射仁。

　　語音識別在實現(xiàn)過程中通常涉及多種因素，需要同時考慮。由于計算量很大，再加上語音信號的隨機性，以及我們對人類聽覺機理了解甚淺，因此，目前機器自動識別語音的能力要比人類差得多，尤其是對非特定人的連續(xù)語音識別更是如此。用模糊神經(jīng)網(wǎng)絡模型作為分類器或聚類器，發(fā)展出一些新的語音識別方法。

　　由于模糊神經(jīng)網(wǎng)絡不僅具有模糊系統(tǒng)中的知識抽取和表達能力，適合于表達模糊或定性的知識，能夠運用類似人的思維模式來進行推理，也擁有神經(jīng)網(wǎng)絡有并行計算、分布式信息存儲、容錯能力強以及具備自適應學習功能的一系列能力。將模糊神經(jīng)網(wǎng)絡模型用于語音識別系統(tǒng)，該系統(tǒng)具有以下特點：。

　　1、能夠盡量多的利用了樣本集中的有用信息以實現(xiàn)多因素綜合評定，發(fā)揮神經(jīng)網(wǎng)絡的優(yōu)勢。

　　2、能夠很好的引入領域?qū)＜业慕?jīng)驗知識，利用模糊規(guī)則來指導網(wǎng)絡的訓練，使網(wǎng)絡的訓練能夠更符合人的推理習慣。

　　3、對輸入、輸出形式進行特殊的模糊化處理后，可以用有限樣本集含有的信息比較好的、近似真實分布的反映原有知識

　　傳統(tǒng)的語音識別和采用模糊神經(jīng)網(wǎng)絡的語音識別是有區(qū)別的。在傳統(tǒng)的語音識別方法中，模式匹配法是在對語音做過預處理之后，通過特征參數(shù)的提取及模式匹配完成識別。由于語音信號的高度多變性，輸入模式要與標準模式完全匹配是幾乎不可能的。因此，識別時要預先制定好計算輸入的語音特征模式與各特征模式的類似或距離的規(guī)則，距離最小者就是最類似的模式。而句法模式識別法當認為輸入的位置模式屬于某個對象時，就要檢查一下輸入模式與識別對象的結構，當與對象模式結構相同或在某范圍內(nèi)結構一致時，則判定該未知模式就是識別對象的語音。模糊神經(jīng)網(wǎng)絡的語音識別方法與傳統(tǒng)方法的差異在于提取了語音的特征參數(shù)后，不像傳統(tǒng)方法那樣有輸入模式與標準模式的比較匹配，而是靠模糊神經(jīng)網(wǎng)絡根據(jù)專家知識或者先驗知識，先對輸入特征數(shù)據(jù)進行模糊化產(chǎn)生對不同規(guī)則的隸屬度，然后根據(jù)標準來調(diào)節(jié)網(wǎng)絡中大量的連接權對輸入模式進行非線性運算，產(chǎn)生最大興奮的輸入點就代表了輸入模式對應的分類。

　　模糊控制于20世紀六十年代萌芽于美國，七十年代誕生于歐洲，八十年代當西方人不太喜歡“模糊理論”時，它卻在日本發(fā)展并廣泛用于家電的自動控制，九十年代與神經(jīng)網(wǎng)絡以來，才得到全球的廣泛認可并成為智能系統(tǒng)的一個重要分支。雖然模糊神經(jīng)網(wǎng)絡的研究沒有神經(jīng)網(wǎng)絡長，但由于它結合了模糊控制和神經(jīng)網(wǎng)絡的優(yōu)點，現(xiàn)在以廣泛的用于各個領域。目前模糊神經(jīng)網(wǎng)絡在語音信號處理中的應用研究十分活躍，其中以在語音識別方面的應用已經(jīng)取得較大的進步。同神經(jīng)網(wǎng)絡相似，模糊神經(jīng)也主要是從聽覺神經(jīng)模型中得到啟發(fā)，以便構成一些具有類似能力的人工系統(tǒng)，使它們在解決語音信號處理（特別是識別）問題時能得到較好的性能。研究模糊神經(jīng)網(wǎng)絡以探索人的聽覺神經(jīng)機理，改進現(xiàn)有語音語音識別系統(tǒng)的性能，是當前語音識別研究的一個重要方向。