具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，本发明为一种基于工业互联网的语音识别及处理方法，包括如下步骤：

步骤S1：构建工业互联网相应的文本数据库；

步骤S2：获取待识别语音数据；

步骤S3：对待识别语音数据进行预处理；

步骤S4：对处理后的语音数据进行特征提取；

步骤S5：将待识别的语音特征同声学模型进行匹配比较得到识别结果；

步骤S6：将识别结果输入语言模型进行语言处理，获取语法和语义分析结果。

其中，步骤S1中，文本数据库在数据上来源主要包括网络信息、平台信息和安全信息；文本数据库在数据上来源按照类型将器分别存储到磁盘的不同目录中，对相关信息进行提取，并将其存储到相应的关系数据表中；关系数据表对原始文件中的文本进行提取，并进行句子切分、符号转换、错误修正后，处理成纯文本，并存储到特定的文件中。在在构建文件数据库时，需要控制其数据冗余，也就是在数据库中进行文本添加时预防不同文件URI中出现相同的文档内容；对数据冗余的控制主要有两种方法，分别是基于URI的冗余控制与基于文件内容的。

其中，步骤S2中，对待识别语音数据进行语音识别，得到语音数据对应的语音识别结果，并将语音识别结果转换成对应的识别文本。

其中，待识别语音数据还需要进行异常语音检测；异常语音检测包括依次获取语音数据中的待检测语音片段；根据语音识别结果计算待检测语音片段的后验概率和/或置信度；并基于验概率和/或置信度来确定待检测语音频段是否为异常语音。

其中，步骤S3中，对待识别语音数据进行预处理的步骤如下：

步骤S31、时域分析：对原始语音信息报进行时域分析，获取原始语音信息中的有声段、无声端和浊音端；

步骤S32、端点检测：区分有声段、无声端和浊音端的信号来划分语音的开头和结尾；检测则是通过区分以上不同段的信号来达到区划语音的开头与结尾，端点检测的唯一目的就是找到语音信号的起始点与结束点。

步骤S33、预加重：预先添加与原始语音高频信号，通过叠加之后，原始语音信息在高频和低频端的能量相当；在实际应用过程中，语音信息往往夹杂着环境中的各种其他声音信息，由于人类发音的特性，语音信息经过频率转换后往往大部分集中于低频带，从而使得低频能量过大，高频能量过低，计算机难以有效提取高频语音信息；为了抵消掉这种情况，预处理阶段使用预加重技术。

步骤S34、去加重：在输出端，则做反向处理去加重；而在语音识别系统的输出端，则需要做相反的处理，也就是去加重，采用相反的负能量信号将添加的高频成分去掉，从而还原原来的信号分布，有效提高声音信号的信噪比。

步骤S35、分帧处理：对整段语音通过带通滤波器进行分帧处理切成多段；分帧从简单来说，一段信号整体是不稳定的，但从局部来看，信号是稳定的，所以要想接收端接收平稳的信号，就需对整段语音进行分帧，也就是切成几段。但是需要注意的是，根据香农定理，分帧越多地声音片段，其开始段和结束段会存在声音不连续的现象，导致了分帧的帧长越短，信号的误差就越大，因此就需要再进行下述的加窗处理方法来解决。

步骤S36、加窗处理：对每段语音使用带通滤波器进行窗函数过滤处理；实际系统中，语音信号处理一般加汉明窗，就可以满足绝大多数种语音情况。语音识别的加窗类型受到许多因素的影响，包括不同说话人的发音方式、说话方式、环境噪音、传输信道衰落等，实际应用时需要根据不同的情况选择窗。

步骤S37：重采样：限定采样器的采样频率为最高频率的5-8倍进行采样。

根据信号学中的奈奎斯特采样定理，再信号采集时，如果采样频率满足采样频率大于2倍最高频率时，经过采样后的信息可以原本保持的所有特征信息。根据这一定理，语音识别系统中通常采用重采样技术，也就是限定采样器的采样频率为最高频率的5~ 8倍。根据人类语音信号50Hz ~ 6kHz的频率范围，可以得出重采样器的采样频率为约16kHz 左右，重采样可以保证语音中的所有信息均被送至特征识别环节中；不同的语音识别在预处理顺序上有一定差别。

其中，步骤S32中，采用双门眼检测法来计算门限能量的方式来判断语音端点，分别计算每个时刻的语音能量；语音能量的计算公式为：

；

式中，为双门的门限，为第i点的语音广义分贝值；

当能量大于门限阈值，则新生产的门限序列为1，反之则为0；获得门限序列后，将其点乘原始语音序列，得到有效语音序列。

其中，步骤S36中，窗函数包括矩形窗、汉明窗和汉宁窗；

其中，矩形窗的计算公式如下：

；

汉明窗的计算公式如下：

；

汉宁窗的计算公式如下：

。

其中，步骤S5中，声学模型内预先制定好分类判决规则，在根据判别规则完成模糊文本分类，并将分类结果迭加入知识库。

其中，模糊文本分类的步骤如下：

步骤S51：对文本进行人工分类标注；

步骤S52：计算文本与训练文本的模糊集关联度；

步骤S53：根据步骤S51和步骤S52确定分类阈值，实现模糊分类；

步骤S54：计算分类的准确率和召回率。

值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。