四、馬爾可夫模型方法(hmm)
隱馬爾可夫模型是一種基於轉移概率和輸出概率的隨機模型，最早在cmu和ibm被用於語音識別。它把語音看成由可觀察到的符合序列組成的隨機過程，符號串行則是發聲系統狀態序列的輸出。在使用隱馬爾可夫模型識別時，為每個說話人建立發聲模型，通過訓練得到狀態轉移概率矩陣和符號輸出概率矩陣。
識別時計算未知語音在狀態轉移過程中的最大概率，根據最大概率對應的模型進行判決。對於與文字無關的說話人識別一般採用各態歷經型hmm；對於與文字有關的說話人識別一般採用從左到右型hmm。hmm不需要時間規整，可節約判決時的計算時間和儲存量，在目前被廣泛應用。
利用子詞單元構成的隱含馬爾柯夫模型，構成了乙個說話人確認系統，每個子詞單元用乙個從左至右的hmm描寫，每個模型包含2到3個狀態。
優點：馬爾可夫模型(hmm)的語音識別在解決大詞彙量、連續語音、非特定發音人的語音識別方面取得了較好的效果。識別時計算未知語音在狀態轉移過程中的最大概率，根據最大概率對應的模型進行判決。
hmm不需要時間規整，可節約判決時的計算時間和儲存量。
缺點：由於其需要大量的前期訓練工作和大量的儲存資源，訓練時計算量較大，不太適合在dsp系統中實現，而更適合在pc上完成隱馬爾可夫模型方法
五、人工神經網路方法(ann)
人工神經網路在某種程度上模擬了生物的感知特性，它是一種分布式並行處理結構的網路模型，具有自組織和自學習能力、很強的複雜分類邊界區分能力以及對不完全資訊的魯棒性，其效能近似理想的分類器。
優點：①系統的容錯性較強。這是人工神經網路系統的共同特點，即使對一些不合理資訊的輸入也能夠忽略掉，而保證系統的正常執行。
②系統的靈活性較強。規定是活的，而程式是死的，但是對於人工神經網路來說就不是這樣了，如果要想改變現有的分類規定，只需要對現有網路進行重新訓練就可以了。
③對於不確定資訊的處理能力較強，這也是神經網路所共有特點，由於它的本質就是對不確定性資訊的處理，用來訓練的資料是有限的，而往往在實際中輸入的資料是沒有對網路進行訓練過的，因此網路對它的處理就會有一定的不確定性，但總的來說不會有很大的出入，這也更好的反映了人們進行分類的特點，本來實際上分類就是不精確的資料處理。
④結果採用評語形式，這比現有的純數值的方式要好。更加直觀且介面友好。
人工神經網路在某種程度上模擬了生物的感知特性，它是一種分布式並行處理結構的網路模型，具有自組織和自學習能力、很強的複雜分類邊界區分能力以及對不完全資訊的魯棒性，其效能近似理想的分類器。
缺點：訓練時間長，動態時間規整能力弱，網路規模隨說話人數目增加時可能大到難以訓練的程度。
六、模板匹配法
模板匹配法的要點是：在訓練過程中從每個說話人發出的訓練語句中提取相應的特徵向量，這些特徵向量能充分描寫各個說話人的行為。這些特徵向量稱為各說話人的模板。
它們可以從單詞，數字串或句子中提取。在測試階段，從說話人發出的語音頻號中按同樣的處理方法提取測試模板，並且與其相應的參考模板相比較。
首先對每個類別建立乙個或多個模版，輸入樣本和資料庫中每個類別的模版進行比較，求相關或距離，根據相關性或距離大小進行決策
優點：直接、簡單
缺點：適應性差
將上述方法進行對比，概率統計方法不用對特徵參量在時域上進行規整，比較適合與文字無關的說話人識別；動態時間規整方法受外界干擾因素大；馬爾可夫模型方法訓練時計算量較大；人工神經網路方法訓練時間長，動態時間規整能力弱，而人工神經網路方法的網路規模隨說話人數目增加時可能大到難以訓練的程度，相比較利用向量量化的說話人識別方法的判斷速度快，而且識別精度也不低。所以選擇向量量化方法。
電阻識別方法
下面詳細說明 色環電阻分為四色環和五色環，先說四色環。顧名思義，就是用四條有顏色的環代表阻值大小。每種顏色代表不同的數字，如下 棕1 紅2 橙3 黃4 綠5 藍6 紫7 灰8 白9 黑0 金 銀表示誤差 各色環表示意義如下 第一條色環 阻值的第一位數字 第二條色環 阻值的第二位數字 第三條色環 10...
電容的識別方法
電容的識別方法與電阻的識別方法基本相同，分直標法 色標法和數標法3種。電容的基本單位用法拉 f 表示，其它單位還有 毫法 mf 微法 uf 納法 nf 皮法 pf 其中 1法拉 10毫法 mf 10微法 uf 10納法 nf 10皮法 pf 即 1 uf 10nf 1 nf 10uf 1 uf 10...
家具環保識別方法
伴隨著網路資訊時代的發展以及人們生活方式的改變，環保 已經成為人們熱議的話題，世界各國對環保也非常的重視。但是有些商家為了自己的利益，不擇手段製造一些違反環保規定的產品。為此，作為消費者的我們，應該學會一些識別環保標誌的方法。對於要選擇辦公家具的朋友們來說，環保成了大家選擇辦公家具最重要的標準，那什...