前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇語音識別技術范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

語音識別技術范文第1篇

1．概況

語音識別技術成為21世紀“數字時代”的重要開發領域，在計算機的多媒體技術應用和工業自動化控制應用等方面，成果令人屬目。語音識別技術是指用電子裝置來識別某些人的某些特征語音，語音識別的手段一般分為二大類，一類利用在計算機上開發語音識別系統，通過編程軟件達到對語音的識別，另一類采用專門的語音識別芯片來進行簡單的語音識別。利用專門的語音識別芯片應用在地鐵車輛上，具有結構簡單、使用方便，并且語音識別器有較高的可靠性、穩定性的特點，是簡單語音識別在自動控制應用上的一種優先方案。

目前上海地鐵

一、

二、

三、

五、

六、八號線在車輛信息顯示系統的設計上缺少實用性和操作性，對乘客來講缺少在實時報站時的人性化。如：地鐵車廂內的乘客信息顯示系統和車廂外側的列車信息顯示系統。如果在每個車門的上方安裝車站站名動態顯示地圖，實時顯示與車廂廣播同步的信息，以及在每節車廂外側顯示列車的終點站，良好的工業設計不僅能給廣大的乘客帶來非常大的幫助，而且能夠提升上海地鐵服務的形象。由于在設計以上地鐵列車時，受科技發展的限制。現在上海地鐵4號線在車輛信息顯示系統的設計上滿足了廣大的乘客的需求，

增加了車站站名動態顯示地圖。

如何在現有的地鐵車輛上增加地鐵車廂內的乘客信息顯示系統和車廂外側的列車信息顯示系統，如圖1、2，首先考慮其實用性和性價比，同時安裝、操作要方便，在不影響列車的性能的前提下，完成本乘客信息顯示系統的應用，設計方案的選擇極其重要，目前的乘客信息顯示系統比較復雜，例如：對于應用在某條線路上的聲音識別系統，不僅要修改原語音文件，而且聲音識別器不容易操縱，

對使用者來講仍然存在比較多的問題。對于應用在某條線路上數字傳輸顯示系統，其操作方法不僅給司機帶來了任務，每站需要手動操作二次，同時顯示的相關內容沒有實時性，總之乘客信息顯示系統比較落后。

設計一種符合現代化要求的乘客信息顯示系統是非常必要。

2．設計

地鐵車輛乘客信息顯示系統的設計，采用CMOS語音識別大規模集成電路，識別響應時間小于300ms。HM2007芯片采用單片結構，如圖3。將語音識別需要的全部電路：CPU、A/D、ROM、語音的AMP放大器、壓縮器、濾波器、震蕩器和接口界面等集中在一片芯片內，這樣電路就非常少，外接64K非易失性SRAM，最多能識別40個車站站名語音（字長0.9秒），或（字長1.92秒）但識別僅20個車站站名語音。按正常人的講話速度，0.9秒一般每秒吐字1到3個為宜。

針對目前上海地鐵列車在車廂內外無LED動態站名顯示而設計，通過將列車車廂廣播的模擬信號轉換成數字信號，自動控制LED發光二極管，在列車在車廂內使得廣播的內容（每個車站站名）與發光二極管顯示面板聲光同步，將顯示面板放置地鐵車輛的每扇車門上方，并且顯示面板以地鐵運營線路為背景，達到列車進站和出站時能分別指示。在列車車廂外讓乘客非常直觀地、一目了然地了解車輛的終點站方向，從而方便乘客的上下車，提高了地鐵服務水平。在國外的地鐵列車上應用已相當普遍。

語音識別顯示器①的輸入端與車載廣播功放器相連接，實現廣播模擬信號發出的語音進行車站名的自動識別。不需要編程技術和修改文件等方法，全部采用硬件方法設計。整個系統分為5部分：（1）輸入控制部分；（2）噪音濾波部分；（3）語言識別部分；（4）執行顯示部分；（5）錄音功能部分。

（1）輸入控制部分：

通過麥克風或（結合器）連接，如圖4所示，要求模擬語音輸入點的電壓必須控制在大約20mv左右，以確保后期語音識別的正確性。在輸入電路中增加了聲音控制部分的電路，即將模擬信號轉變成數字方波信號，對語音輸入進行開關量的控制，確保在T<0.9秒內的正確輸入語音字長。

（2）語音識別部分：

利用語音識別芯片HM2007和外接6264SRAM存儲器組成為主要部分，（HM2007中ROM已經固化了語音語法技術）對語音的存儲及語音語法算法進行控制。HM2007的詳細內容見產品說明書。

（3）噪音濾波部分：

濾波功能是自動識別（阻擋）我們在設計階段設計好的各個工況的語音情況，例如：司機的講話及車輛雜音等（在麥克風的工況下），以確保輸入語音的可靠性、穩定性，特采用UM3758串行編譯碼一體化進行濾波電路。如圖5。

（4）執行顯示部分：

將車廂廣播喇叭的模擬信息通過語音識別器轉變成數字信息，最終經過譯碼電路、4/16多路數據選擇器及RS485接口，去控制車廂內車門上十個LED顯示面板，如圖6。

（5）錄音功能部分：

在進行廣播內容更改時，本項目最大的特點是：不需要任何手段的手工軟件編程的修改，而是通過遠程音頻電路控制技術進行按動相關按鈕，選擇地址然后自動錄入內容，如圖6。

3.結論

語音識別器及LED顯示面板的設計，能應用到以前沒有LED顯示面功能的地鐵車輛上，與其他所設計的方式相比較，語音識別控制簡單、可靠性好、安裝方便、相對投資最小和不改動車廂內任何電器為特點，僅提供110VDC電源和音頻輸入接口。

本項目的開發具有一定社會效益，得到國內外乘客和殘疾人員的歡迎，提高了地鐵服務質量。

參考文獻：

1.HUALONMICRELECTRONICSCORPORATIONTIWANPRODUCTNUMBER:HM2007

2.555集成電路實用大全上海科技普及出版社

3．①獲得“2003年上海市優秀發明選拔賽三等獎”

4．①編入《中國科技發展精典文庫》第四輯

語音識別技術范文第2篇

[關鍵詞]語音識別系統；差異性；指標需求

一、引言

語音作為語言的聲學體現，也是人類進行信息交流最自然、和諧的手段。與機械設各進行語音的溝通，讓機器可以明白人類在說什么，并理解這是人類長期的夢想。語音識別技術，也被稱為自動語音識別Automatic Speech Recognition，(ASR)，其目標是將人類的語音中的詞匯內容轉換為計算機可讀的輸入，例如按鍵、二進制編碼或者字符序列。語音識別技術的應用包括語音撥號、語音導航、室內設備控制、語音文檔檢索、簡單的聽寫數據錄入等。語音識別技術與其他自然語言處理技術如機器翻譯及語音合成技術相結合，可以構建出更加復雜的應用，語音識別技術所涉及的領域包括：信號處理、模式識別、概率論和信息論、發聲機理和聽覺機理、人工智能等等。

二、語音信號分析與特征提取

1.基于發音模型的語音特征。(1)發音系統及其模型表征。其發聲過程就是由肺部進行收縮，并進行壓縮氣流由支氣管通過聲道和聲門引起的音頻振蕩所發生的。氣流通過聲門時使得聲帶的張力剛好使聲帶發生比較低的頻率的振蕩，從而形成準周期性的空氣脈沖，空氣脈沖激勵聲道便會產生一些濁音；聲道的某處面積比較小，氣流沖過時便會產生湍流，會得到一種相似噪聲的激勵，對應的則是摩擦音；聲道完全閉合并建立起相應的氣壓，突然進行釋放就是爆破音。(2)語音信號線性預測倒譜系數。被廣泛應用的特征參數提取技術的就是線性預測分析技術，很多成功的應用系統都是選用基于線性預測技術進而提取的LPC倒譜系數作為應用系統的特征。LPC倒譜就是復倒譜。復倒譜就是信號通過z進行變換以后再取其對數，求反z變換所得到的譜。線性預測分析方法其實就是一種譜的估計方法，所以其聲道模型系統函數H(z)反映的就是聲道頻率激勵和信號的譜包絡，對IHg(z)作反z變換就可以得出其復倒譜系數。改復倒譜系數是依據線性預測模型直接獲得的，而又被稱為LPC倒譜系數(LPCC)。

2.基于聽覺模型的語音特征。(1)聽覺系統模型。一是人類的聽覺系統對于聲音頻率高低和聲波實際的頻率高低不是線性的關系，它對不同聲音頻率信號的敏感度是不一樣的，也可看成是對數關系。二是關于掩蔽效應指的就是聲音A感知的閉值因為另外的身影的出現出現增大的現象。其生理依據主要是頻率群，對頻率群進行劃分會出現許多的很小的部分，每一個部分都會對應一個頻率群，掩蔽效應就發生在這些部分過程中。所以在進行相應的聲學測量時，頻率刻度一般取非線性刻度。語音識別方面，主要的非線性頻率刻度有Mel刻度、對數刻度和Kon~nig刻度。其中Mel刻度被廣泛的應用，其是最合理的頻率刻度。(2)語音信號Mcl頻率倒譜系數。Mel頻率倒譜系數利用人們耳朵的聽覺特性，在頻域將頻率軸變換為Mcl頻率刻度，再變換到倒譜域得到倒譜系數。MFCC參數的計算過程：

一是對語音信號進行相應的預加重，從而確定了每一幀的語音采樣的長度，語音信號通過離散FFT變換得到其頻譜。二是求頻譜幅度的平方，得到能量譜，并選用一組三角濾波器在頻譜域對能量進行帶通濾波。帶通濾波器中心頻率一般是按照Mcl頻率刻度排列的(間隔為150Mel，帶寬為300Mel)，其每個三角形濾波器的兩個底點頻率和相鄰的兩個濾波器的中心頻率相等，頻率響應之和為l。濾波器的個數一般和臨界帶數比較相近，設濾波器數是M，濾波后得到的輸出為：X(k)，k=1，2，…，M。

語音識別技術范文第3篇

關鍵詞：語音識別；HMM；俄語聲學模型；俄語語言模型

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2015）29-0155-04

Research Status and Development Trend of Russian Speech Recognition Technology

MA Yan-zhou

（PLA University of Foreign Languages， Luoyang 471003， China）

Abstract： Abstract： Technological advance of speech recognition facilitates intelligent human-computer interactions. And applications of speech recognition technology have made human communications easier and more instantaneous. Starting with a look at the past and the present of Russian speech recognition， this paper attempts to conduct a detailed analysis on fundamental principles of speech recognition， speech recognition technology based on Hammond theoretical groundwork for consecutive vast-vocabulary speech recognition. The paper also demonstrates steps for establishing models in Russian acoustics and speeches. As to technological barriers in speech recognition， it probes into possible way out strategies. Finally， it predicts future development direction and application prospects for Russian speech recognition technology.

Key words： speech recognition； hmm；russian acoustic models； russian language models

俄語（Русскийязык）[1]是俄羅斯和聯合國的官方語言，也是我國少數民族正式語言。在前蘇聯和俄羅斯使用，俄語在蘇聯時期具有很重要的地位，直到現在仍然有些獨聯體國家在廣泛使用，雖然這些國家已經開始強調本地語言的重要性，但在這些國家之間依然使用俄語進行交流。全球有超過一億四千萬把俄語作為母語使用，有近四千五百萬人以第二語言使用，使用俄語媒體的有3億多人。我國俄羅斯族使用俄語進行交流，聚集地分布在新疆地區的阿勒泰、伊犁、塔城及內蒙古呼倫貝爾市的額爾古納、滿洲里等地，

語音識別（Speech Recognition）[2]是指在各種情況下，識別出語音的內容，讓機器聽懂人說的話，根據其信息而執行人的不同意圖。它是一門交叉學科，涉及與計算機、語音語言學、通信、信號處理、數理統計、神經心理學人工智能、和神經生理學等學科。能夠能滿足不同需要的語音識別系統的實現已經成為可能，它的前提是模式識別、信號處理技術、計算機技術和聲學技術等的發展。近年來，軍事、交通等領域，尤其在計算機、人工智能等領域得到廣泛應用。

俄語語音識別是一個有巨大潛力的研究方向，不僅能夠為人們的生產生活、日常交往提供極大的便捷性和高效性，而且在政治、軍事、經濟等各個領域都有著重要的研究價值和應用前景。本文著重介紹語音識別發展歷程、闡述俄語語音識別關鍵技術、分析俄語語音識別未來的發展趨勢。

1 俄語語音識別的現狀

俄語連續語音識別取得快速發展，利益于技術的進步。隨著語音識別在技術層面的不斷突破與創新，對英語的識別慢慢成熟，然后逐漸擴展到其他語種如漢語、俄語等。

1.1語音識別技術的發展

20世紀50年代，語音識別的研究開始借助機器來實現。1952年，一個特定人獨立數字識別系統[3]由貝爾（Bell）實驗室的Davis、Diddulph和Balashelk首次研制，該系統成功識別10個英語數字。1959年，英格蘭的Fry和Denes利用譜分析技術和模板匹配技術，提高了音素的識別精度，建立了一個能夠識別9個輔音和4個元音的識別系統。20世紀60年代，經過Faut和Stevens的努力，語音生成理論初步形成。動態規劃方法[4]由蘇聯的Vintsyuk提出，并實現了對兩段語音進行對齊。70年代取得一系列重大突破，基本實現孤立詞識別。俄羅斯推進了模板匹配思想在語音識別中的應用；利用動態規劃方法實現語音識別也由日本的科學家實驗成功。20世紀80年代，語音識別研究的一個主要特點是由模板匹配方法向統計建模方法的轉變，特別是隱馬爾可夫模型[5-6]。盡管HMM眾所周知，但是直到20世紀80年代中期HMM模型才廣泛被世界各地的語音識別實驗室熟悉和采納。另一個新方向是利用神經網絡解決語音識別問題，促進了該技術在語音識別領域的應用[7-9]。20世紀80年代后期，在DAPRA的支持下，對大詞匯連續語音識別系統的研制也取得了顯著的成果，研究機構主要有CMU、BBN、林肯實驗室、MIT、AT&T貝爾實驗室。

20世紀90年代以來，語音識別開始實用化研究，并取得了突破性的進展。其中算法的研究取得了非常明顯的效果，并提升了系統的性能，如最大似然線性回歸（Maximum Likelihood Linear Regression， MLLR），最大后驗概率準則估計（MaximumA-Posteriori Estimation， MAP），以及用于模型參數綁定的決策樹狀態聚類等算法，這些算法的不斷優化，也使得應用于實際的語音識別不斷出現。最具有有代表性的系統有：Dragon System公司的NaturallySpeaking，Nuance公司的Nuance Voice Platform語音平臺，IBM公司推出的ViaVoice， Sun的VoiceTone，Microsoft的Whisper，等。在美國國家標準和技術研究所（Nationa lInstitute of standardsand Technology，NIST） 和DARPA的不斷推動下，各個研究機構不斷嘗試語音識別任務，目的是不斷提高識別的性能。進入21世紀，在向廣度和深度兩方面，自動語音識別得到了更為廣泛的研究。魯棒性語音識別，進行了了細致的調研，特別是在置信度和句子確認方面非常有效，尤其對處理病句。在21世紀的前10年，信息技術領域最重要的十大科技發展技術之一就有語音識別技術的一席之地，人機接口關鍵的語音識別技術，已經成為一個具有競爭性的新興高技術產業，它的實用化研究將成為未來的方向。

1.2俄語語音識別技術的發展

語音技術的研究主要集中在幾個主要的語言，如英語，法語，西班牙語，漢語和西班牙語，一些其他語言尤其是東歐語言很少受到注意。但是近幾年在俄羅斯，捷克，波蘭，塞爾維亞，克羅地亞等俄語區對俄語語音技術的研究活動正在穩步上升。

俄羅斯科學院緊跟世界語音識別技術的發展，結合俄語自身的獨有發音特點進行了卓有成效的研究并取得了一系列的成果。在開發聲學，詞匯和語言模型時采取特別重視俄語的細節，對于聲學模型，采用知識和基于統計的方法來創建幾個不同的音素集10。對于語言模型（LM），從不同網站自動收集新聞文本語料，用統計分析的方法將訓練文本數據和語法相結合，計算不同情況下n-gram中單詞的頻率，優化n-gram模型，以建立更好的n-gram模型[11]。在基本語音識別單元的問題上采用距離最小信息不匹配的原則，建立語素級單元，顯著減少誤差概率[12]。

語料庫是語音識別最基本的支撐，文本語料和口語語料都是一個語料庫不可或缺的組成部分，任缺其一則語料庫就不能反映該語言的完整信息，也沒有辦法在此基礎上進行大詞匯、非特定人連續俄語語音識別的研究[13]。俄羅斯對語料庫的研究起步比較晚，在20世紀一直落后于世界語料庫的發展，缺乏系統的理論研究和先進的實踐成果。但近十年來，隨著俄羅斯國家語料庫建立和不斷完善，俄語語音技術的研究正在慢慢興起并取得了一些矚目的成就。

國內對俄語語音的研究主要集中在教學方面。使用統計的方法，基于HMM對俄語語音進行建模和識別研究，目前還沒有發現相關的文獻記錄。

2 語音識別技術

語音識別系統根據角度、范圍、性能等差別，有以下的分類。

根據詞匯量的大小分可為小詞匯量（10至100）、中詞匯量（100至500）和大詞匯量（大于500）。根據發音方式可分為孤立詞（isolated word）識別、連接詞（connected word）識別、連續語音（continuous word）識別等。根據說話人特征可分為特定（speaker-dependent）說話人和非特定（speaker-independent）說話人。根據語音識別的方法不同進行了模板匹配、隨機模型和概率語法分析等分類方法。

2.1 語音識別基本原理

通過計算機的輔助功能把輸入的語音信號變換為對應的文本和命令，并且能夠接受人類的語音、理解人類的意圖，是語音識別技術研究的根本目的。語音識別系統核心是一套語音取樣、識別、匹配的模式匹配系統[2]，基本原理如圖1所示。

語音識別系統由三個基本單元組成，它包含特征提取、模式匹配和參考模式庫，雖然它是模式識別系統，但它的結構要比普通的模式識別系統要復雜，因為語音所包含的信息是復雜多樣的語言信息，結構也是多變的。首先對輸入的語音信號進行預處理，預處理包括適當放大信號功率并對增益進行有效控制，之后進行反混疊濾波以消除信號的干擾；然后將模擬信號轉化為數字信號即數字化處理，便于存儲和處理；然后進行特征提取，并使用一些參數來表示的語音信號的特性；最后對其進行識別。語音識別又分為兩階段：訓練和識別。在訓練階段，利用特征參數表示語音信號的相應特征，得到標準數據即模板，將模板構建成一個數據庫即模板庫；在識別階段，將語音特征與模板庫中的每一個模板進行比較，找到了最相似的參考模板，這就是識別的結果。

2.2 HMM模型技術

語音識別早期采用的有矢量量化（Vector quantization， VQ）技術、動態時間規整（dynamic time warping， DTW）技術等，從處理難度上看，最簡單的是小詞匯量、特定人、孤立詞的語音識別，最難解決的是大詞匯量、非特定人、連續語音識別。當今語音識別系統采用的主流算法是HMM模型技術。

HMM模型的狀態不能被直接觀察到，但可以通過觀測向量序列來觀察到，這些向量都是通過某些特定的概率密度分布來表現為各種狀態的，每個觀測向量都是由一個狀態序列產生的，這些狀態序列具有相應的概率密度分布。HMM是一個雙重隨機過程：具有一定狀態數量的隱馬爾可夫鏈和顯示隨機函數集。HMM的基本問題及解決算法6-9

1）評估問題（前向算法）。

現有觀測序列O=O1O2O3…Ot以及模型參數λ=（π，A，B），如何計算觀測序列的概率，進一步可對該HMM做出相關評估。利用forward算法分別以每個HMM產生給定觀測序列O的概率進行計算，然后從其中選出最優秀的HMM模型。

經典應用例子就是語音識別。在HMM的語音識別描述中，每個單詞對應一個HMM，每個觀測序列全部由一個單詞的語音來構成，單詞的識別可以通過評估而選出最可能的HMM，此HMM由產生觀測序列所代表的讀音實現。

2）解碼問題（Viterbi算法）

現有觀測序列O=O1O2O3…Ot以及模型參數λ=（π，A，B），如何尋找最優的隱含狀態序列。此類問題比較關注馬爾科夫模型中的隱含狀態，在這些狀態中雖然不能直接觀測，但價值更大，可以利用Viterbi算法來解決。

實際例子是進行分詞，分詞問題可以用HMM來解決。這句話的分割方法可以看做是一個隱式的狀態，而這句話可以被視為一個給定的條件，從而找出基于HMM的可能正確的分割方法。

3）訓練問題（Baum-Welch算法即前向后向算法）

此時HMM的模型參數λ=（π，A，B）未知，對這些參數進行調整，使得觀測序列O=O1O2O3…Ot的概率最大，使用Reversed Viterbi算法以及Baum-Welch算法可以解決。

2.3 大詞匯量連續語言識別

在語音識別研究中難度和挑戰性最大為課題應該是基于大詞匯量的、非特定人的連續語音識別[13]。在詞匯量大于1000詞的時候，比較容易混淆的詞數量增加，誤識率約為基于小詞匯量的、特定人的孤立詞識別系統的50倍左右。而且還帶來兩個重要的、不易解決的問題：語流的切分和連續語音的發音變化。此時采用統一框架可以有效解決這個問題。大詞匯量連續語音識別總體框架[14]如圖2所示。

俄語語音信號分析后，形成特征向量，并通過字典識別模型，然后，根據語言模型的語法，將輸入的語音與模板匹配，在句子層面進行組合。從俄語聲學模型、俄語語言模型敘述大詞匯量連續語音識別的過程。

2.3.1聲學模型

設計俄語語音識別系統底層相應的HMM子詞單元模型，需要充分考慮俄語聲學和語音學的特征。俄語基本聲學單元的選擇是聲學建模過程中一個基本而重要的問題。在俄語連續語音識別中，可供選擇的基本單元包括詞、音節、元輔音等。識別基本單元的選擇一般基于語音學知識。

俄語字母是語音的書面形式，每個俄語字母都有自己的字母名稱。元音字母的名稱和讀音相同，輔音字母的名稱是在該輔音后加一個元音[15-16]。如字母с的名稱為эс，字母б的名稱為бэ等。字母名稱通常用于讀某些縮寫詞。俄語字母共有33個字母如表1所示。

根據俄語詞的發音特征、音節的發音特征和字母的發音特征，選擇音素作為子詞單元，然后就可以進行HMM訓練，首先用一種很粗糙的方法進行初始分段，然后向前向后算法或K-均值算法用于多次迭代，自動收斂到一個最佳的模型，并實現了一個合理的子詞分割。這樣就可以初步完成俄語的聲學建模，建設一個俄語語音參考模式庫。

2.3.2 統計語言模型

自然語言處理問題必然要乃至統計語言模型[17]，如語音識別、機器翻譯、分詞、詞性標注等等。統計語言模型是計算概率的模型，即。使用語言模型，可以確定一個單詞序列的概率，或給定一個單詞的數目，它可以預測下一個最有可能的單詞。

那么如何計算一個句子的概率呢？給定句子（詞語序列），它的概率可以表示為：

由于上式中的參數過多，因此需要近似的計算方法。下面介紹適用于俄語的n-gram統計語言模型。

n-gram模型即n-1階馬爾科夫模型，首先假設：當前詞的出現概率僅僅與前面n-1個詞相關。因此（1）式可以近似為：

當n值為1、2、3時，n-gram模型分別稱為unigram、bigram和trigram語言模型。n-gram模型的參數就是條件概率。N取值越大，模型越準確但計算越復雜計算量越大。在俄語語言模型的建立過程中，采用最多是二元模型和三元模型。

2.3.3 連續語音識別系統的性能評測

評定連續語音識別系統的優劣，觀測系統的性能，一般都是針對不同的識別任務，不同的任務單詞庫和任務語句庫，需要不同的評價標準。如果要想粗略地評估某個系統，可以從兩個方面去考慮，一是系統識別任務的難易程度即復雜性；另一個是采用該系統的識別系統的識別方法對該難度的識別任務的識別效果即識別率。在連續語音識別系統中，通過對音素、音節或詞的識別率進行識別性能評價，常用的系統參數是正確率（正確率），錯誤率和識別準確率。

其中的正確數、轉換數、插入數和脫落數，采用主觀的方法來目測，馬可以通過統計的方法來得到。

2.4 HTK工具

語音識別過程涉及的算法復雜，其中最為著名的HTK由劍橋大學研發，主要用來建立基于HMM的大規模連續語音識別系統。該軟件集為開放源代碼，可以在UNIX/Linux和Windows環境下運行。HTK提供了一系列命令函數用于語音識別，包括一系列的運行庫和工具，使用基于ASNIC模塊化設計，可以實現語音錄制、分析、標示、HMM的訓練、測試和結果分析。整個HTK的工作過程包括數據準備、模型訓練和識別過程。

3 語音識別的應用

隨著計算機技術的進步、算法的不斷優化、信息處理技術的智能化，俄語語音識別技術的發展會越來越光明。應用的范圍也會越來越廣，可能會出現一些新的應用。

1）俄語語音信息檢索

網絡技術和多媒體技術的迅速發展，數據量急劇增多，如何在海量數據中挑選出有用的信息，并進行相應的分類和檢索，對合理地利用信息資源具有重要的意義。多媒體檢索技術應運而生。

2）俄語發音自學技術

非母語語言學習成為目前教育領域的一個熱點，而自學是語言學習的一個有效途徑，它具有不受時間和空間限制、靈活方便的特點，一種稱為計算機輔助語言學習的技術誕生了。有幾個普通問題和關鍵技術是必須要考慮和解決的：標準發音語料庫和非標準發音語料庫、學習者發音的分級標準、語音對齊、衡量發音質量的評判標準和發音矯正。

3）基于俄語語音情感處理

人與人的交流，除了語言信息外，非語言信息也起著非常重要的作用，包含在語音信號中的情感因素[18]，也反映了信息的一個方面。情感的分析和識別也是一個非常困難的研究方向。

4）嵌入式俄語語音識別技術

后PC時代智能終端的飛速發展，為人機之間的自然、快捷交互提供了可能。當前嵌入式語音識別的應用領域還比較有限，未來應用可能會更加廣泛。

4 總結

語音識別技術的實用研究是一項極具挑戰性的工作，雖然經歷了近半個世紀的發展，取得了一些突破性的進展。語音識別技術在俄語方面的應用更是如此，不僅要解決語音識別技術本身的問題，還要解決高質量的俄語語音語料庫和文本語料庫的問題，同時還要解決各種算法與俄語適應和匹配等其他問題，如俄語自然語言的識別與理解、俄語語音信息的變化范圍與幅度、俄語語音的清晰度、俄語語音發音與環境噪聲及上下文的影響等等。雖然面臨諸多困難，但是隨著人類文明的不斷發展與科技的不斷進步，相信這些問題會在不久的將來逐一得到解決，展現在人們面前的是更加流暢、更加智能的人機交互界面。

參考文獻

[1] 趙力.語音信號處理 [M].北京：機械工業出版社，2011：191-215.

[2] 韓紀慶，張磊，鄭鐵然.語音信號處理[M].北京：清華大學出版社，2013：241-255.

[3] Karpov，K. Markov，I. Kipyatkova， et al.Large Vocabulary Russian Speech Recognition Using Syntactico-statistical Language Modeling[J].Speech Communication，2014，56（1）：213-228.

[4] Alex Waibel，ToshiyukiHanazawa，Geoffrey Hinton， et al.Phoneme Recognition Using Time-delay Neural Networks[J].Acoustics， Speech and Signal Processing， IEEE Transactions on，1989，37（3）：328-339.

[5] KH Davis，RBiddulph，SBalashek.Automatic Recognition of Spoken Digits[J].The Journal of the Acoustical Society of America，1952，24（6）：637-642.

[6] Lawrence Rabiner.A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition [J].Proceedings of the IEEE， 1989， 77（2）：257-286.

[7] Leonard E Baum，JAEagon.An Inequality with Applications to Statistical Estimation for Probabilistic Functions of Markov Processes and to a Model for Ecology[J].Bull. Amer. Math. Soc， 1967， 73（3）：360-363.

[8] Leonard E Baum，TedPetrie，GeorgeSoules， et al.A Maximization Technique Occurring in the Statistical Analysis of Probabilistic Functions of Markov Chains[J].The Annals of Mathematical Statistics，1970（1）：164-171.

[9] Leonard E Baum.An Equality and Associated Maximization Technique in Statistical Estimation for Probabilistic Functions of Markov Processes [J].Inequalities， 1972， 3（1）：1-8.

[10] ВВ Пилипенко.Распознавание дискретной и слитной речи из сверхбольших словарей на основе выборки информации из баз данных[J].Искусственный интеллект，2006（3）：548-557.

[11] ВВ Савченко，ДЮ Акатьев，НВ Карпов.Автоматическое распознавание элементарных речевых единиц методом обеляющего фильтра[J].Изв. вузов России. Радиоэлектр оника，2007（4）：35-42.

[12] ВВ Савченко.Автоматическое распознавание речи на основе кластерной модели минимальных речевых единиц в метрике Кульбака-Лейблера[J].Известия ВУЗов России.CРадиоэлектроника，2011（3）：9-19.

[13] ВВ Савченко.Фонема как элемент информационной тео рии восприятия речи[J].Известия ВУЗов России.CРадиоэ лектроника，2008（4）：3-11.

[14] ВЛ Розалиев.Построение модели эмоций по речи человека[J].Г л а в н ы й р е д а к т о р с б о р н и к а" Известия ВолгГТУ" д-р хим. наук проф. член-корр. РАН ИА Новаков， 2007（1）：65.

[15] ВЯ Чучупал，КА Маковкин，АВ Чичагов.К вопросу об оптимальном выборе алфавита моделей звуков русской речи для распознавания речи[J].Искусственный интеллект，2002，4（1）：575-579.

[16] ДН Бабин，ИЛ Мазуренко，АБ Холоденко.О перспектив ах создания системы автоматического распознавания сли тной устной русской речи[J].Интеллектуальные системы，2004，8（1）：45-70.

語音識別技術范文第4篇

【關鍵詞】最佳基；匹配追蹤；HMM；語音識別

1.引言

語音識別的研究工作始于20世紀50年代，1952年Bell實驗室開發的Audry系統是第一個可以識別10個英文數字的語音識別系統。隱馬爾可夫模型是20世紀70年代引入語音識別理論的，它的出現使得自然語音識別系統取得了實質性的突破。目前大多數連續語音的非特定人語音識別系統都是基于HMM模型的。[1]

一般來說，語音識別的方法有三種：基于聲道模型和語音知識的方法、模板匹配的方法以及利用人工神經網絡的方法。語音識別一個根本的問題是合理的選用特征。特征參數提取的目的是對語音信號進行分析處理，去掉與語音識別無關的冗余信息，獲得影響語音識別的重要信息，同時對語音信號進行壓縮。非特定人語音識別系統一般側重提取反映語義的特征參數，盡量去除說話人的個人信息；而特定人語音識別系統則希望在提取反映語義的特征參數的同時，盡量也包含說話人的個人信息。

而隨著時頻技術的研究發展，使人們在進行信號處理時，可以將語音信號分解在一組完備的正交基上。從而，語音信號的能量在分解以后將分散分布在不同的基上。但是，語音信號是一種典型的非平穩信號，其性質隨時間快速變化，在兩個不同的時間瞬間，在同一個頻率鄰域內，信號可以有完全不同的能量分布。因此，有必要找到一種精確表示語音信號時頻結構，便于特征提取的方法。[2]

立足于此，本文提出，通過平移窗口，用余弦基乘以窗口函數，構造出局部余弦基，分離不同時間區間，很適合于逼近語音信號。本文使用這種具有活動窗口特性的局部余弦基表示語音信號。為了減少計算量，并進一步提高局部余弦基原子時頻分布的分辨率，采用匹配追蹤（MP）算法分解信號，并結合時頻分析技術得到最優局部余弦基原子的魏格納-維利分布（WVD）[2]，從而得到信號精確的時頻結構[3]，進行特征提取。此外，結合語音信號的美爾頻率倒譜系數（MFCC）一起作為該信號的特征向量，通過隱馬爾科夫（HMM）模型進行識別。實驗證明。這種多參數語音識別算法提高了識別的準確度和速度。

2.局部余弦基建模

通過光滑地劃分時間序列為任意長度的子區間（如圖1），可使每一個時間段分別由重疊正交基表示，而整個時間序列的基函數又構成時頻平面的正交鋪疊，因此局部余弦變換對在不同時間段有不同的波形的語音信號有很強的針對性。

圖1 重疊窗口劃分時間軸

Figure1 lapped window divides time axis

圖1中為重疊窗口函數[3]：

（1）

式中為單調遞增的輪廓函數，定義為[3]：

（2）

局部余弦函數族構成了實數軸上平方可積函數空間的規范正交基：

（3）

式中為窗口支集伸縮參數；為第P段時間起點；n（）表示正交基序列號。

語音信號可表示為：

（4）

是余弦基原子，。其中是窗口支集邊界參數，為窗口支集伸縮參數，是輪廓函數的尺度參數，這保證了窗口支集只與相鄰的具有適當對稱性的窗口重合，達到局部余弦基精確覆蓋整個時頻平面的目的。

3.匹配追蹤法選取最佳基

由Mallat和Zhang引入的匹配追蹤算法運用貪婪技巧減少了計算的復雜性。它從局部余弦基構成的冗余字典中一個一個挑選向量，每一步都使信號的逼近更為優化。

MP算法將信號分解成一簇時頻原子的線性表達，這些原子選自高冗余度的函數字典中，且最好地符合內在結構。假設函數集是Hilbert空間中一個完備字典，滿足，最優的M階近似為：

（5）

設由M個時頻函數近似的信號與的誤差最小，表達式如下：

（6）

其中代表所選函數的索引。

首先按照某個選擇函數（與的內積最大）逐個挑選出時頻函數，分解為：，設初始輸入信號為初始殘差信號，表示f（t）在方向上近似后的冗余部分。

假設已有表示經過前M-1次迭代后，中未表達部分：選定為最匹配的時頻函數，按如下公式分解為：

（7）

由于每步中與正交，如果字典是完備的，則迭代收斂于f，滿足：

（8）

這樣，可估算出（4）式中局部余弦基原子的參數。

文獻[4]中提出，選出最匹配信號的基，對每一個基求出其WVD分布，信號的WVD分布就表示其最優基的WVD的線性組合，這樣就消除了交叉項的影響。由此得到的WVD分布：

（9）

是局部余弦基字典中被選中的最優基的WVD分布。將等式左邊第二項交叉項組合去除，這樣在時頻面上就得到了干凈的時頻表示：

（10）

在語音信號稀疏分解過程中，每步分解都要從過完備原子庫中選出與待分解語音信號或語音信號分解殘余最為匹配的原子，原子是由參數公式（4）決定的。因此語音信號稀疏分解所得原子的參數可作為語音信號的特征。此外，根據公式（10），使用匹配追蹤法選取的最佳基的WVD分布，含有該語音信號重要且獨特的信息，也可作為該語音信號的特征。

4.基于HMM的語音識別算法

特征提取基于語音幀，即將語音信號分為有重疊的若干幀，對每一幀提取一次語音特片。由于語音特征的短時平穩性，幀長一般選取20ms左右。在分幀時，前一幀和后一幀的一部分是重疊的，用來體現相鄰兩幀數據之間的相關性，通常幀移為幀長1/2。本文為了方便做MP，采用的幀長為512點（32ms），幀移為256點（16ms）。特征的選擇需要綜合考慮存儲量的限制和識別性能的要求。通常的語音識別系統使用24維特征矢量，包括12維MFCC和12維一階差分MFCC。本文提出的多參數語音識別算法，在此基礎上增加了原子參數公式（4）和最佳基的WVD分布公式（10），這兩維特征，構成26維特征矢量。對MFCC和語音信號能量的WVD分布分別使用了倒譜均值減CMS（Ceps-trum Mean Subtraction）和能量歸一化ENM（Energy Normalization）的處理方法提高特征的穩健性[5]。

在HMM模型中，首先定義了一系列有限的狀態S1，…，SN，系統在每一個離散時刻n只能處在這些狀態當中的某一個Xn。在時間起點n=0時刻，系統依初始概率矢量π處在某一個狀態中，即：

（11）

以后的每一個時刻n，系統所處的狀態Xn僅與前一時刻系統的狀態有關，并且依轉移概率矩陣A跳轉，即：

（12）

且滿足：

（13）

系統在任何時刻n所處的狀態Xn隱藏在系統內部，并不為外界所見，外界只能得到系統在該狀態下提供的一個Rq空間隨機觀察矢量On。On的分布P稱為輸出概率矩陣，只取決于On所處狀態：

（14）

因為該系統的狀態不為外界所見，因此稱之為“隱含馬爾科夫模型”，簡稱HMM。在識別中使用的隨機觀察矢量就是從信號中提取的特征矢量。按照隨機矢量Qn的概率分布形時，其概率密度函數一般使用混合高斯分布擬合。

（15）

其中，M為使用的混合高斯分布的階數；Cm為各階高斯分布的加權系數。此時的HMM模型為連續HMM模型（Continuous density HMM），簡稱CHMM模型[6]。在本識別系統中，采用孤立詞模型，每個詞條7個狀態，同時包括首尾各一個靜音狀態；每個狀態使用3階混合高斯分布擬合。

5.仿真實驗

5.1 提取最佳基的WVD分布特征矢量

構建局部余弦基字典，使用MP算法選取語音信號“A”的最佳基。如圖2所示。得到的時頻圖既保留了余弦基原子高時頻聚集性的優點，又削弱了WVD作為二次型時頻表示所固有的交叉項的影響，得到了干凈的時頻面。其結果更精確的反映出語音信號在頻率、音強方面的特征，具有良好的時頻聚集性。

圖2 “A“信號的WVD分布

Figure2 WVD of“A”

5.2 孤立詞識別

在語音識別實驗中，采用信號長度為1024的200個實際語音信號樣本，其中100個用于訓練，100個用于測試。該實驗用以識別出語音信號”A”。實驗利用WaveCN2.0錄音系統進行樣本采集，采樣率為8kHz。得到語音信號的有效部分后，提取樣本信號的MFCC參數作為語音信號的特征參數之一。Mel濾波器的階數為24，fft變換的長度為256，采樣頻率為8kHz。MFCC的相關波形見圖3。

圖3 “A“信號的MFCC波形

Figure3 MFCC Waveform of“A”

然后利用MP算法將樣本信號分解為300個原子，將所得原子的參數和最佳基的WVD分布，作為該語音信號的特征參數之二。見圖2。通過HMM進行識別。

在實驗中，設語音”A”類值為1，其他的語音類值為-1。HMM模型的狀態數為7，高斯混合數為3。由第4節HMM訓練的定義可知，重估過程中的輸出概率是隨著重估次數的遞增而增加的，圖4列出了“A”模型訓練期間重估次數與總和輸出概率的log值之間的關系。由圖可以看出，“A”模型重估20次算法收斂，并且，輸出概率與重估次數成正比趨勢。

圖4 重估次數與總和輸出概率

Figure4 Iterations of EM and output like lihood

對語音進行上述HMM訓練之后，將其模型參數存貯，獲得了識別的HMM模型庫。在識別階段，對100個測試用數據進行語音識別，以檢驗本文系統的識別效果。如表1所示識別精度為89%，平均識別時間約為1.313秒，實驗結果表明，系統識別率和運算速度都比較理想。

表1 識別結果

語音類型 識別次數 識別結果 識別精度

A 其它

A 100 92 8 92%

增加了局部余弦基原子的參數和最佳基的WVD分布作為特征參數，較單純的使用MFCC作為特征參數進行HMM模型訓練，識別率有一定提高，見表2。

表2 結果比較

特征參數 識別率%

MFCC、和特征參數 92

MFCC 89.5

6.結語

本文在傳統基于HMM模型的語音識別基礎上，通過匹配追蹤算法，提取出最佳基的原子參數和WVD分布。二者與MFCC一起，作為本文提出的多參數語音識別算法的特征向量。然后選擇了大量孤立詞樣本進行仿真實驗，針對非特定人孤立詞進行語音識別。結果表明，基于HMM和匹配追蹤的多參數語音識別算法，可提高語音識別的速度和準確度，有一定的實用性。但是，由于算法的復雜性增加，運算量相應增大，簡化算法運算量仍是需要深入研究的課題。

參考文獻

[1]何方偉，青木由直.DP動態匹配算法實現語音的實時識別[J].數據采集與處理，vol.4，no.1，Mar，1989.

[2]R.R.Coifman，M.V.Wickerhauser.Entropy-based algorithms for best basis selection[J].IEEE Trans.Info.Theory，38（2）：713-718，March 1992.

[3]S Mallat，Z Zhang.Matching Pursuit with Time-Frequency Dictionaries[J].IEEE Trans.Signal Processing，1993，41（12）：3397-3415.

[4]R Gribonval.Fast matching pursuit with a multiscale dictionary of Gaussian Chirps[J].IEEE Trans.Signal Processing，2001，49（5）：994-1001.

語音識別技術范文第5篇

關鍵詞：爆破；個別飛石；預防措施

中圖分類號：TU 文獻標識碼：A文章編號：16723198（2012）10017502

爆破個別飛石是爆破時從巖體脫離并從表面射出飛越很遠的部分巖塊。個別飛石是因為炸藥爆炸能破碎土石后，剩余的氣體能量繼續作用于碎石，使其獲得很大的初速和動能，遇到巖體薄弱面，強大的氣體能量即從該處集中沖出，使碎石以極高的初速向外飛出而形成的。常造成人員傷亡、建筑物及設備的損壞。

1 個別飛石產生的原因

1.1 勘察環節

閔國清、穆大耀、廟延鋼、楊溢等學者在文獻中認為地形測量誤差、地質構造調查不詳是飛石產生的重要原因之一。

爆破作業環境條件一般比較差，給地形和藥室測量帶來困難，不易測量準確。測量誤差過大，設計的最小抵抗線可能會過大或過小。不能正確反映最小抵抗線方向、大小，就給爆破產生個別飛石提供了條件。

爆破是炸藥對被爆客體的作用過程，被爆客體的地質條件直接影響爆破效果和爆破安全。地質條件主要包括地形、巖性、地層產狀、構造、巖石礦物成分、水文地質條件等。斷層、褶皺、解理、裂隙、破碎帶、軟弱夾層等對爆破效果和安全影響很大，特別是當藥包位于斷層、破碎帶或軟弱夾層附近時最容易產生飛石。

1.2 設計環節原因

爆破參數選擇和設計是爆破質量好壞的關鍵，孔位設計、網路設計、微差時間、爆破安全設計參數不準等也極為重要；最小抵抗線方向、單位炸藥消耗量、裝藥結構形式、藥室間距和起爆時間間隔、孔位密集系數確定的不合理，就很可能導致爆破飛石的產生。

1.3 施工環節原因

孔位、孔距、孔深、堵塞長度、網路連接、起爆順序、裝藥量、裝藥結構形式等都必須按設計進行施工，鉆孔偏位、網路連接不當、裝藥量控制的不精確都可能引起遠距離的飛石。

藥室內炸藥傳爆能力如果過低，爆破在巖體中未形成鼓包前，炸藥產生的高溫、高壓氣體會直接作用于堵塞物，堵塞物長度未按設計嚴格施工而過短的話，就會造成個別飛石大量出現。

2 硐室爆破防止個別飛石措施

2.1 準確測量

準確的勘察測量是爆破取得成功的基礎。設計和施工才有可靠的依據。測量技術人員在觀念上必須認真重視，態度上必須一絲不茍，方法上必須講求科學，采用先進合理的測量方案，工作中可以采用多次測量、重復抽檢測量等方法保證測量的準確與可靠。設計人員對測量數據結果應該進行必要的復核檢驗，避免數據不準確而導致設計上的失誤。此外建立事故責任倒查追究制度也是不可或缺，它可以督促爆破作業參與人員繃緊安全這根弦。

2.2 弄清構造

勘測資料是爆破初步設計的依據，認真做好地質條件的勘察作業，在爆破區域內，不僅要仔細踏勘地表情況還要對特殊區域進行詳盡的地質調查，開挖導洞、藥室時，對巖土的構造要進行調查，尤其要搞清區域內的墳洞、溶洞、斷層、褶皺、節理、裂隙、破碎帶、軟弱夾層和不穩定巖體的分布、形狀等。

袁政文在文獻中提出了認真搞好地質勘查，針對地質缺陷采取相應措施。爆破作業地處環境復雜地域，爆破質量要求高的工程，還要弄清爆破區巖土的巖性、性質、成分、地層產狀、構造、巖石礦物成分、物理力學指標、水文地質條件等情況。導洞開挖以后應根據現場勘察到的地質和巖性資料，適當修改爆破設計參數。如調整最小抵抗線方向、大小，藥包間距大小對斷層、裂隙、溶洞可將條形藥包改為分集藥包或集中藥包，將薄弱部位裝藥段改為填塞段等辦法來避開薄弱部位。

2.3 正確設計

爆破設計是爆破作業取得成功的關鍵因素。爆破參數的選取是設計的核心。

使用不耦合炸藥，低爆速炸藥，擠壓爆破，毫秒起爆等措施可以起到控制飛石的作用。多排爆破時要選擇合理的延期時間，防止因前排帶炮（后沖），造成后排最小抵抗線大小和方向失控，應等到前排藥包起爆形成爆破漏斗后，后排藥包再起爆，以保證最小抵抗線的方向、大小以及藥包的自由面與設計相符。

萬希嶺、李紅杰、許永勝等人在文獻中認為爆破參數中，最小抵抗線、爆破作用指數和單耗是產生飛石的主要的影響因素，正確選取這三個參數不僅能預防飛石等爆破危害，也會取得理想的爆破效果。

合理確定最小抵抗線是減少飛石飛散距離的關鍵。最小抵抗線是爆破設計的重要參數，要通過爆破試驗科學地確定符合現場地質和施工條件的最小抵抗線，才能獲得最優的爆破設計方案，以準確地進行布孔和裝藥。集中藥包內部爆破的個別飛石距離公式:

R=20K?n2?W

式中：R-個別飛石的安全距離，m；n-最大一個裝藥的爆破作用指數；W-最大一個裝藥的最小抵抗線，m；K-安全系數，一般取1.0-1.5。

炸藥消耗量的選取要符合爆破對象的實際要求。查表法、計算法、類比法等都是可以用于選取炸藥單位消耗量的方法。對爆破質量要求比較高的爆破，須依據爆破漏斗試驗選取炸藥單位消耗量，實際使用時依據被爆巖體地形地質、爆破質量和環保要求等情況適度微調。

確定爆破作用指數值要依據爆破目的、拋距、環境條件、經濟效益等因素。爆破作用指數值過大，易產生飛石且也不經濟；爆破作用指數值過小，易發生沖炮且爆破的大塊率也較高。

2.4 嚴格施工

施工環節是實現工程爆破的決定性環節。再符合實際的設計，都需要通過施工去實現，因此通過提高施工質量控制飛石是非常有效也十分可能的途徑。

操作失誤在爆破中應該杜絕，加強管理，精心施工，要嚴格按照《爆破安全規程》等有關規范進行。

藥室、炮孔位置的測量必須驗收合格。

裝藥前應認真校核各藥包的最小抵抗線，如有變化必須修正裝藥量。要嚴格保證裝藥質量，裝藥量要經過專門清點和計量，不能裝多和裝少而要嚴格依據設計方案。

裝藥后的堵塞，控制要嚴格，杜絕偷工減料。堵塞長度要依據爆破設計的要求，精心施工，絕不能圖快而降低堵塞參數。堵塞要密實，堵塞物中要避免夾雜碎石。堵塞質量要經過專門檢查和驗收。施工中，對爆破體采取覆蓋或設置防護，是有效控制飛石的手段。覆蓋爆破區的材料要便于固定、不易拋散和拆散且能防止細小碎塊的穿透。

施工時要在最小抵抗線方向創造好自由面，確保最小抵抗線方向和大小符合設計要求。

如果炸藥爆速高，爆炸產生的瞬間能量就高，相應的炸藥利用率就越高。在炸藥單位消耗量較低的情況下，就需要提高炸藥利用率以避免從導洞等薄弱處首先突破，生成飛石。萬希嶺、李紅杰、許永勝等人在文獻中認為保證藥室內炸藥穩定傳爆的措施，除選用質量好、爆速高的炸藥外，在施工時還有保證炸藥堆放密度適中；選用防水炸藥或做好防水處理；適當增加起爆藥包數量；用導爆索聯接藥室內同段起爆的藥包，并在導爆索上間隔一定距離捆扎一個質量好、爆速高的藥包等措施可以選用。

3 展望

學者們對于爆破個別飛石危害的論述，可以概括為勘察、設計和施工三個維度。依托當前的爆破理論成果，對爆破飛石危害的治理取得了很大成果。但不時出現的飛石傷亡事故，說明對爆破飛石產生機理的研究仍需隨著爆破理論的發展而走向深入。尤其要指出的是爆破飛石事故的產生幾乎全部都與人的因素有關，而不僅僅是技術原因。提高相關人員的職業安全責任意識和安全防護技能，健全制度和安全管理措施，甚屬必要。這方面的研究亟待加強。

參考文獻

［1］王德勝，龔敏.露天礦山臺階中深孔爆破開采技術［M］.北京：冶金工業出版社，2007.

［2］閔國清，穆大耀，廟延鋼，楊溢.硐室爆破個別飛石產生原因及預防措施［J］.云南冶金，2003，32（3）：13.

［3］萬希嶺，李紅杰，許永勝.控制硐室爆破飛石安全問題措施探討［J］.爆破，2003，20（4）：101103.