建立了一种基于自组织神经网络的语音识别系统。对语音信号进行了预处理, 提取了语音信号的线性预测系数、线性预测倒谱系数和Mel 倒谱特征系数, 建立了基于自组织神经网络的识别判决模型.

这是我的毕业设计的前期处理部分，毕业设计题目是“基于神经网络的拼音识别系统”。 端点检测的函数是CWaveDoc::OnEndpointDetect() ，大家运行时需要修改读入语音信号的路径。 需要读入的语音信号b1.wav一并附于wav文件。

从盲声源信号的独立性出发!提出了一种新的盲声源混合信号分离方法:该方法基于信号联合概率的 分布统计!利用信号联合概率的方向导数熵最小获得最佳的旋转角度!最终实现盲信号分离:与快速独立分 量分析方法及神经网络方法相比!该方法不需要迭代计算:采用新的盲声源信号分离方法对轴承试验台的混 合声音信号进行识别!将电机和滚动轴承的声音分离出来!进而可以准确识别机械的故障-Blind sound source from the independence of the starting signal

提取语音信号的MFCC参数进行语音信号的识别，利用神经网络，自带有训练样本和测试样本-Identification of MFCC parameters of speech signal extraction of speech signal, using neural network, with the training samples and test samples