由圖3可以看出，由于本系統(tǒng)實時學(xué)習(xí)的特點，系統(tǒng)的識別率隨著訓(xùn)練數(shù)據(jù)的增加而逐步上升(誤識率下降)。但是當(dāng)實驗數(shù)據(jù)繼續(xù)增多時，系統(tǒng)的識別率和實時性都有下降趨勢。這是由于系統(tǒng)處于無人監(jiān)管狀態(tài)，根據(jù)判斷結(jié)果進(jìn)行參數(shù)重估。如果判斷結(jié)果錯誤，勢必將錯誤帶人參數(shù)重估步驟中。

逐步增加高斯混合度數(shù)目，可以得到圖4的實驗結(jié)果。可見高斯混合度在18的時候達(dá)到較好的識別效果，混合度太高識別率反而會有所下降，這是由于嵌入式系統(tǒng)的資源有限，運算復(fù)雜度的增長超過了嵌入式設(shè)備的限制所造成的。

為了使微機(jī)器人能夠正確地執(zhí)行人的聲音指令，本文將語音識別的過程嵌入微機(jī)器人的控制系統(tǒng)中，根據(jù)微機(jī)器人控制系統(tǒng)資源有限、對實時性要求高的特點，使用增量K均值分段HMM的算法，簡化計算節(jié)省了所需的硬件資源，實現(xiàn)了實時學(xué)習(xí)的語音識別，能方便地對微機(jī)器人進(jìn)行控制。

本系統(tǒng)的識別率達(dá)到了較高的標(biāo)準(zhǔn)，又由于加入了智能化的用戶選擇部分，用戶可隨時選擇學(xué)習(xí)新的語句，使其有更廣闊的應(yīng)用前景。

由于嵌入式平臺受到處理速度、存儲空間的限制，所以能夠?qū)ξC(jī)器人發(fā)出的指令十分有限，識別率還有待提高。因此，研究語音識別算法，比較各種算法的優(yōu)缺點，進(jìn)而在嵌入式微機(jī)器人控制系統(tǒng)上實現(xiàn)大詞匯量非特定人的語音識別，實現(xiàn)真正意義上的人機(jī)交流是今后進(jìn)一步的工作。