1、語音識別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。到目前為止，語音識別研究大部分以線性系統理論為基礎，隨著研究的逐步深入，發(fā)現語音識別若要取得突破，必須引入非線性理論的方法。從20世紀80年代開始，隨著人工神經網等非線性理論研究和應用的逐漸深入，將這些理論應用于語音識別成為可能。RBF(Radial BasisFunction, RBF)神經網絡為多層前饋式神經網絡的學習提供了一種新穎而有效的手段，它的研究和應用在近年來

2、得到了迅速的發(fā)展。 本文基于RBF神經網絡，對語音識別的預處理、特征提取與識別算法等環(huán)節(jié)進行了計算驗證，性能分析和結果評述。 基本的RBF神經網絡是一種三層前饋網絡，其收斂速度大大高于一般的BP網絡，且網絡拓撲可以在算法中確定。設計中存在的主要問題包括隱層神經元數、中心和半徑的確定，以及網絡權值的訓練。本文采用的網絡構建方法為：采用競爭算法和聚類算法相結合的混合算法動態(tài)選擇隱層神經元數；用梯度下降法找出使代價函數最小的權

3、值參數；從節(jié)省資源的角度出發(fā)，本文采用了Akaike的最終預報誤差標準FPE刪除那些對網絡輸出貢獻較小的節(jié)點以取得網絡精度與復雜度的平衡，直至FPE 不再下降，停止篩選并計算網絡最優(yōu)權值，從而得到了一個合理的網絡。另外還實現常用的迭代法、隨機固定法訓練的徑向基網絡結構和概率神經網絡結構。 文中用雙門限法端點檢測后用Mel 頻率倒譜系數MFCC提取語音特征參數，動態(tài)時間規(guī)整后輸入構建好的RBF網絡結構，用訓練數據進行學習網絡，網絡