技術(shù)特征：

1.一種用于大數(shù)據(jù)分析的語音識別系統(tǒng)，其特征在于，包括：

語音信息分類模塊，用于對原始語音信息進(jìn)行分類，得到分類后的原始語音信息；

原始語音處理模塊，用于對分類后的原始語音信息進(jìn)行語音增強(qiáng)和濾波，得到處理后的語音信息；

聲學(xué)特征識別提取模塊，用于對處理后的語音信息中的聲學(xué)特征進(jìn)行識別提取；

基礎(chǔ)元數(shù)據(jù)集，用于存儲針對不同語音信息分類的聲學(xué)特征及與其對應(yīng)的文本信息；

聲學(xué)特征匹配模塊，用于將提取的聲學(xué)特征與基礎(chǔ)元數(shù)據(jù)集中與相應(yīng)的語音信息分類對應(yīng)的聲學(xué)特征進(jìn)行匹配，識別出第一語音識別結(jié)果；

識別糾錯(cuò)模塊，用于對識別出的第一語音識別結(jié)果進(jìn)行清洗糾錯(cuò)，得到第二語音識別結(jié)果；

結(jié)果輸出模塊，用于將第二語音識別結(jié)果作為語音識別結(jié)果進(jìn)行輸出。

2.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，包括：

所述語音信息分類模塊，用于根據(jù)語音特征對對原始語音信息進(jìn)行分類，所述語音特征包括：語音的時(shí)長、語音包含的音素?cái)?shù)量。

3.根據(jù)權(quán)利要求2所述的系統(tǒng)，其特征在于，包括：

所述原始語音處理模塊，包括用于對分類后的原始語音信息進(jìn)行語音增強(qiáng)，得到語音增強(qiáng)后的原始語音信息，所用增強(qiáng)方法為減譜法，所用減譜公式為：

$P_S\left(\mathrm{\ω}\right)=max\{0,P_y\left(\mathrm{\ω}\right)-\sqrt{\frac{t_2-t}{t_2-t_1}{\left(P_{n1}\right(\mathrm{\ω}\left)\right)}^2+\frac{t-t_1}{t_2-t_1}{\left(P_{n2}\right(\mathrm{\ω}\left)\right)}^2}\}$

其中，P_S(ω)為輸出語音信息的功率譜，P_y(ω)為原始語音信息的功率譜，P_n1(ω)為發(fā)聲前的寂靜段的功率譜，P_n2(ω)為發(fā)聲結(jié)束后的寂靜段的功率譜，t₁為發(fā)聲前的寂靜段結(jié)束時(shí)的時(shí)間點(diǎn)，t₂為發(fā)聲結(jié)束后的寂靜段開始時(shí)的時(shí)間點(diǎn)，t為當(dāng)前所要處理的語音信息的時(shí)間點(diǎn)。

4.根據(jù)權(quán)利要求3所述的系統(tǒng)，其特征在于，包括：

所述原始語音處理模塊，包括用于對語音增強(qiáng)后的原始語音信息進(jìn)行濾波，所用濾波方法為通過帶通濾波器進(jìn)行濾波。

5.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，包括：

所述聲學(xué)特征包括：

Mel頻段倒譜系數(shù)和過零峰值幅度。

6.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，包括：

所述聲學(xué)特征識別提取模塊，用于對處理后的語音信息中的聲學(xué)特征進(jìn)行識別提取，包括，對處理后的語音信息進(jìn)行預(yù)加重、分幀和加窗，加窗所用的窗函數(shù)為：

$w\left(n\right)=\left\{\begin{array}{cc}0.47-0.42cos\left(\frac{2\mathrm{\π}(n-1)}{N-1}\right)+0.11sin\left(\frac{\mathrm{\π}(n-1)}{N-1}\right),& 1\≤n\≤N\\ 0& n=else\end{array}\right.$

其中，w(n)為窗函數(shù)的值，N為幀長，n為采樣點(diǎn)；

對聲學(xué)特征進(jìn)行識別提取使用基于Levenberg-Marquardt算法的神經(jīng)網(wǎng)絡(luò)進(jìn)行識別提取。

7.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，包括：

所述基礎(chǔ)元數(shù)據(jù)集，所用存儲方法為，先存儲一類語音信息分類的聲學(xué)特征及與其對應(yīng)的文本信息，作為參考數(shù)據(jù)，對于其他語音信息分類的聲學(xué)特征，根據(jù)聲學(xué)特征出現(xiàn)的概率使用不同的存儲方式，出現(xiàn)概率高的聲學(xué)特征進(jìn)行完整存儲，出現(xiàn)概率低的聲學(xué)特征僅存儲其與參考數(shù)據(jù)的不同部分。

8.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，包括：

所述聲學(xué)特征匹配模塊，用于將提取的聲學(xué)特征與基礎(chǔ)元數(shù)據(jù)集中與相應(yīng)的語音信息分類對應(yīng)的聲學(xué)特征進(jìn)行匹配，識別出第一語音識別結(jié)果，所用識別方法為通過HMM-GMM模型或RNN-GMM模型進(jìn)行識別。

9.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，包括：

所述識別糾錯(cuò)模塊，用于通過語言模型對第一語音識別結(jié)果進(jìn)行清洗糾錯(cuò)，得到第二語音識別結(jié)果，包括：結(jié)合語義模型對第一語音識別結(jié)果進(jìn)行清洗糾錯(cuò)。