郝振年-基于語音識(shí)別實(shí)現(xiàn)智能家居的控制

北京理工大學(xué)珠海學(xué)院2020屆本科生畢業(yè)論文緒論人與機(jī)器使用語音進(jìn)行交流，并讓機(jī)器學(xué)習(xí)，分析和理解人類語音的內(nèi)容。這一直是人類的夢想。語音識(shí)別（SpeechRecognition，SR）技術(shù)，也稱為自動(dòng)語音識(shí)別（AutomaticSpeechRecognition，ASR）。梁靜.基于深度學(xué)習(xí)的語音識(shí)別研究[D].北京郵電大學(xué)，2014.是使機(jī)器分析人們的語音并將其翻譯成準(zhǔn)確的文本，包括多語言的技術(shù)。隨著科學(xué)技術(shù)的發(fā)展，語音識(shí)別技術(shù)越來越普及。語音識(shí)別技術(shù)具有多種功能，其應(yīng)用也多種多樣，包括電子設(shè)備保護(hù)鎖定，人工智能助手，家用電器控制梁靜.基于深度學(xué)習(xí)的語音識(shí)別研究[D].北京郵電大學(xué)，2014.1.1本設(shè)計(jì)的目的、意義及應(yīng)達(dá)到的技術(shù)要求目的：該設(shè)計(jì)的主要目的是利用基于神經(jīng)網(wǎng)絡(luò)模型的語音識(shí)別技術(shù)來識(shí)別和處理人類語音并實(shí)現(xiàn)智能家居的控制功能。意義：通過本次設(shè)計(jì)的研究學(xué)習(xí)神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練、識(shí)別、處理語音以及發(fā)送語音信號(hào)控制家居的工作原理等知識(shí)。技術(shù)要求：掌握Python的基本用法，建立穩(wěn)定的神經(jīng)元網(wǎng)絡(luò)模型，在語音測試集中進(jìn)行語音識(shí)別最終得到識(shí)別結(jié)果和語音識(shí)別，或者在運(yùn)行過程中呈現(xiàn)結(jié)果。根據(jù)打印出的數(shù)據(jù)，錯(cuò)誤處理，發(fā)送的語音信號(hào)等。1.2本設(shè)計(jì)在國內(nèi)外的發(fā)展概況及存在的問題早期，研究者最先需要解決的問題是語音信號(hào)長度如何匹配，語音信號(hào)特征如何提取。20世紀(jì)中期，動(dòng)態(tài)程序規(guī)劃（DynamicProgramming,DP），動(dòng)態(tài)時(shí)間調(diào)整（DynamicTimeWarping,DTW）算法被研究者關(guān)注，有效地將其解決。但此階段，基于模板匹配方式的語音識(shí)別技術(shù)有很大的局限性。只能對(duì)特定人的單個(gè)詞語識(shí)別。隨后，隱馬爾可夫模型（HiddenMarkovModel,HMM）引入后，基于概率模型方法逐漸替代模板匹配方法。20世紀(jì)80年代，由于隱馬爾科夫模型具有雙重隨機(jī)性，模型的表達(dá)能力得到了很好的提升。從而使其能對(duì)連續(xù)的序列建模，并且給說話人無關(guān)的大規(guī)模連續(xù)語音識(shí)別（LargeVocabularyContinuousSpeechRecognition,LVCSR）提供了可能，在隱馬爾科夫之后得很長時(shí)間內(nèi)，混合高斯模型（Gaussianmixturemodel,GMM）和隱馬爾科夫兩種模型聯(lián)合對(duì)聲學(xué)模型建模一直被認(rèn)為是完美的語音識(shí)別模型。于曉明.語音識(shí)別技術(shù)的發(fā)展及應(yīng)用[J].計(jì)算機(jī)時(shí)代,2019,（11）:28-31但很快，反向傳播算法（BackPropagation）的出現(xiàn)，將語音識(shí)別技術(shù)又向前推動(dòng)了一大步，非特定人，于曉明.語音識(shí)別技術(shù)的發(fā)展及應(yīng)用[J].計(jì)算機(jī)時(shí)代,2019,（11）:28-3190年代至今，計(jì)算機(jī)技術(shù)、電信應(yīng)用等領(lǐng)域有了更加飛速的發(fā)展，繼2012年LiDeng和Hinton等人將深度學(xué)習(xí)引入到語音識(shí)別領(lǐng)域。越來越多的語音識(shí)別系統(tǒng)從實(shí)驗(yàn)室走向?qū)嵱谩８鞔蠊炯娂娍春眠@一領(lǐng)域，張震南.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在語音識(shí)別中的應(yīng)用[J].甘肅科技縱橫,2008,（4）:21-76.投入大量資源。多倫多大學(xué)研究團(tuán)隊(duì)建立了一個(gè)具有DBN張震南.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在語音識(shí)別中的應(yīng)用[J].甘肅科技縱橫,2008,（4）:21-76.1.3本設(shè)計(jì)主要研究內(nèi)容本文主要的研究內(nèi)容由幾個(gè)部分組成：（1）提取音頻文件的特征向量（2）采用兩種方案構(gòu)建ANN，并使用訓(xùn)練集對(duì)其進(jìn)行訓(xùn)練（3）完善ANN模型各參數(shù)，得出一個(gè)較高的識(shí)別率（4）對(duì)比選擇其中一種方案作為語音識(shí)別模塊（5）通過網(wǎng)絡(luò)通信發(fā)送信號(hào)到另一設(shè)備語音識(shí)別系統(tǒng)2.1語音信號(hào)的預(yù)處理將輸入的語音信號(hào)轉(zhuǎn)為文本信息是語音識(shí)別的基本功能需求，多數(shù)情況下不同的語音識(shí)別系統(tǒng)具有不同的呈現(xiàn)方式，但基本工作原理相同。原理圖如下：圖2.1從上圖可以看出，當(dāng)原始信號(hào)輸入系統(tǒng)后，首先進(jìn)行的是預(yù)處理過程，進(jìn)行提取語音參數(shù)，即根據(jù)具體的算法策略，獲取可反映語音信號(hào)的特征參數(shù)，處理提取的特征參數(shù)，并將其存儲(chǔ)在模型庫中，獲取新的語音信號(hào)特征并與模型庫中匯總的特征進(jìn)行匹配，得到最佳匹配作為最終識(shí)別結(jié)果輸出。2.2語音信號(hào)的預(yù)處理在信息處理的過程當(dāng)中，為了讓模型得到的對(duì)象相對(duì)容易處理，就需要對(duì)一開始輸入的語音信號(hào)預(yù)處理。語音信號(hào)的預(yù)處理包括語音信號(hào)高頻部分的預(yù)加重、信號(hào)的分幀及加窗、對(duì)信號(hào)端點(diǎn)匹配檢測等。下圖為對(duì)語音信號(hào)進(jìn)行預(yù)處理的過程：圖語音信號(hào)的預(yù)加重根據(jù)語音的特性，語音信號(hào)的平均功率會(huì)受到限制，高頻部分能量比低頻部分能量小。因此語音的高頻部分相對(duì)低頻部分更難求出。怎樣消除信號(hào)中的低頻干擾（50HZ-60HZ）就是對(duì)高頻部分進(jìn)行加重處理。2.2.2語音信號(hào)的分幀加窗逐幀分幀：語音信號(hào)每一幀分成小段進(jìn)行處理。由于語音信號(hào)的瞬時(shí)穩(wěn)定性，也就是說在極短的時(shí)間內(nèi)，語音信號(hào)的特性相對(duì)穩(wěn)定。分幀方法通常使用重疊成幀方法。與連續(xù)分割方法相比，重疊成幀方法可以使從幀到幀的過渡更加平滑。加窗處理：在預(yù)加重之后，執(zhí)行加窗和分幀過程。視情況而定，幀頻通常為30。幀劃分可以是連續(xù)劃分或重疊劃分。為了平滑幀之間的過渡，通常使用重疊分割。具體情況如圖所示。兩個(gè)連續(xù)幀的重疊部分是幀偏移，其值通常在幀長度的0到0.5倍的范圍內(nèi)選擇。設(shè)分幀前的語音信號(hào)為，分幀過程等效為乘以幅度為1的移動(dòng)窗。進(jìn)行變換，設(shè)該變換為，可得語音信號(hào)序列：當(dāng)移動(dòng)窗不為1的時(shí)候，而想對(duì)某頻率段語音信號(hào)進(jìn)行加強(qiáng)或削弱時(shí)，則需要加權(quán)處理頻譜函數(shù)，周春榮.周春榮.基于神經(jīng)網(wǎng)絡(luò)的語音識(shí)別技術(shù)應(yīng)用研究[J].中國科技縱橫,2018,（6）:18-語音信號(hào)的端點(diǎn)檢測多數(shù)情況下，語音信號(hào)在收集過程中很難排除外界噪音的干擾，這時(shí)就要區(qū)分那些信號(hào)需要被識(shí)別，那些信號(hào)需要被剔除，端點(diǎn)檢測就可以很好的解決這個(gè)問題，判斷語音的開始與結(jié)束，對(duì)節(jié)省系統(tǒng)資源，提高語音識(shí)別率有著重要意義。2.2.4語音信號(hào)特征提取語音特征提取是提取一些可以代表語音信號(hào)特征的特征參數(shù)。簡而言之，特征提取是找到不同語音的不同獨(dú)特特征以識(shí)別語音，因此特征提取對(duì)于所有語音識(shí)別系統(tǒng)都是必不可少的。語音特征參數(shù)的選擇在語音識(shí)別中起關(guān)鍵作用。選擇原則是：良好的獨(dú)立性，語音信號(hào)的有效表征和簡化的計(jì)算?；贛FCC系數(shù)的特征值將進(jìn)一步提高系統(tǒng)的識(shí)別性能，本設(shè)計(jì)還使用此方法提取音頻功能。梅爾頻率公式如下：MFCC特征提取過程是讓每個(gè)短窗口經(jīng)由FFT獲得對(duì)應(yīng)的頻譜，然后讓其通過Mel濾波器組獲得Mel譜。執(zhí)行倒頻譜分析以獲得倒頻譜MFCC，這是語音功能的框架。因此，語音由一系列倒譜向量來描述，每個(gè)向量都是每個(gè)幀的MFCC特征向量。于樹本.基于MFCC的說話人語音識(shí)別系統(tǒng)的研究[J].黑龍江科技信息,2015,（27）:69-70.2.3語音識(shí)別模型的設(shè)計(jì)通過對(duì)比語音識(shí)別模型，最終選擇人工神經(jīng)元網(wǎng)絡(luò)作為設(shè)計(jì)模型，因其有非常優(yōu)秀的容錯(cuò)能力，隨之具有大規(guī)模的并行處理能力。人工神經(jīng)元網(wǎng)絡(luò)是一種并行結(jié)構(gòu)，各個(gè)過程在各自的網(wǎng)格單元上同時(shí)進(jìn)行處理，在很大程度上可以提高計(jì)算速度。最重要的一點(diǎn)是它具有自我學(xué)習(xí)，自我組織和自我適應(yīng)的能力。因此此次設(shè)計(jì)選擇人工神經(jīng)元網(wǎng)絡(luò)構(gòu)建語音識(shí)別系統(tǒng)模型。2.3.1人工神經(jīng)元網(wǎng)絡(luò)常見的算法模型有BP模型等，該種模型是一種網(wǎng)網(wǎng)絡(luò)模型，具有高效地學(xué)習(xí)性，模式映射關(guān)系充足，方便快捷，可以解決大量復(fù)雜的問題。

單個(gè)神經(jīng)元的一般模型如圖所示：圖2.3.1輸入為m個(gè)輸入量，在MATLAB實(shí)現(xiàn)時(shí)，常用維的列向量p來表達(dá)，如圖網(wǎng)絡(luò)權(quán)值和閾值是所對(duì)應(yīng)的權(quán)值，為偏置也稱閾值，可認(rèn)為這時(shí)的網(wǎng)絡(luò)權(quán)值輸入量為常量1。在實(shí)現(xiàn)時(shí)，其經(jīng)常用的行矢量W來表達(dá)，如式。求和單元求和單元是神經(jīng)元對(duì)輸入信號(hào)進(jìn)行處理的第一步：激活函數(shù)是神經(jīng)元激活函數(shù)，也稱為傳遞函數(shù)，一般根據(jù)人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用選擇需要的激活函數(shù)。通常有線性函數(shù)，閾值函數(shù)，對(duì)數(shù)函數(shù)和切線函數(shù)。輸出輸出神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的組成信息處理功能的基本單元：基于人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別模型設(shè)計(jì)本次課題在研究過程中，通過查閱語音識(shí)別相關(guān)相關(guān)資料，學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)模型的相關(guān)知識(shí)。起初選擇基于TensorFlow的人工神經(jīng)元網(wǎng)絡(luò)模型。在初步完善了代碼之后，首次嘗試語音識(shí)別準(zhǔn)確率只停留在了50%到55%的范圍內(nèi)，經(jīng)過反復(fù)地實(shí)驗(yàn)、修改代碼以及部分參數(shù)（如：迭代次數(shù)，學(xué)習(xí)率等），不斷完善模型，準(zhǔn)確率有了明顯提升，但不滿足于次的小組成員通過指導(dǎo)老師的建議及文獻(xiàn)檢索，決定采用基于Keras模型的人工神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過反復(fù)設(shè)計(jì)與調(diào)整，最終語音識(shí)別準(zhǔn)確率達(dá)到95%以上，有了明顯的改善。因此本設(shè)計(jì)有兩套方案：（1）方案一：通過了解神經(jīng)網(wǎng)絡(luò)的基本原理，可以通過簡單的仿真來構(gòu)建三層神經(jīng)網(wǎng)絡(luò)模型，并且每層的激活函數(shù)都使用S形函數(shù)。初始化時(shí)，隨機(jī)選擇各層的權(quán)重，通過前向傳播獲得預(yù)測值，并根據(jù)期望值計(jì)算誤差，并根據(jù)該誤差值通過后向傳播更新各網(wǎng)絡(luò)層的權(quán)重。識(shí)別結(jié)果。實(shí)驗(yàn)表明，該模型在確定訓(xùn)練集時(shí)的學(xué)習(xí)率為0.2，在迭代次數(shù)為3000時(shí)的識(shí)別成功率最高。 （2）方案二：調(diào)用Keras庫構(gòu)建一個(gè)sequential順序模型，由四層網(wǎng)絡(luò)組成。輸入層是一個(gè)具有512個(gè)隱藏神經(jīng)元的全連接層，輸入數(shù)據(jù)尺寸為（16000），使用的激活函數(shù)是ReLu函數(shù)。有兩層隱含層分別含有256、128個(gè)隱藏神經(jīng)元，均使用ReLu函數(shù)作為激活函數(shù)。輸出層則使用softmax函數(shù)，含有6個(gè)隱藏神經(jīng)元。再對(duì)模型進(jìn)行編譯，訓(xùn)練得出最終的識(shí)別準(zhǔn)確率。3.1語音訓(xùn)練集的選取本研究所使用的語音數(shù)據(jù)用于在Internet上下載經(jīng)過預(yù)處理的音頻文件。采樣頻率為16kHz，16位編碼，每個(gè)音頻的長度為1s。音頻是從許多不同年齡和性別的人的發(fā)音中收集的。本設(shè)計(jì)選擇以下六種類型的隔離詞音頻。每種類型共有大約2000個(gè)樣本，其中1800個(gè)為訓(xùn)練樣本，200個(gè)為測試樣本。3.2音頻特征提取由于語音訓(xùn)練集的采樣頻率為16kHz，因此可以將語音分為16000幀以提取每個(gè)幀的特征向量。每一幀都可以轉(zhuǎn)換成一個(gè)數(shù)值，提取的MFCC是正數(shù)和負(fù)數(shù)的數(shù)組。所有MFCC值均被平方并作為正值進(jìn)行處理。每個(gè)音頻的最終MFCC值被視為相應(yīng)的特征向量。接著將處理完的數(shù)據(jù)再傳入模型的輸入層，不斷訓(xùn)練完善模型。圖3.23.3神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練與識(shí)別選取合適的語音訓(xùn)練集，本設(shè)計(jì)共選取了6個(gè)語音類別來對(duì)模型進(jìn)行訓(xùn)練和識(shí)別，每個(gè)類別有2000個(gè)語音素材。并從其中選取200個(gè)語音素材作為測試集使用。方案一：首先定義了神經(jīng)網(wǎng)絡(luò)的對(duì)象類，可以編輯輸入層，中間層和輸出層。在人工神經(jīng)網(wǎng)絡(luò)模型中定義并激活輸入層和輸出層的激活函數(shù)S形，然后繼續(xù)進(jìn)行正向和反向傳播訓(xùn)練以更新權(quán)重以減少誤差值。經(jīng)過一定次數(shù)的訓(xùn)練后，最小誤差值用于獲得最大識(shí)別概率。定義算法和相應(yīng)的重要參數(shù)，例如迭代次數(shù)，學(xué)習(xí)率等。然后定義預(yù)測函數(shù)以加載訓(xùn)練后的模型，識(shí)別新音頻并返回識(shí)別結(jié)果。調(diào)用神經(jīng)網(wǎng)絡(luò)類的實(shí)例以及創(chuàng)建數(shù)據(jù)集函數(shù)，定義創(chuàng)建模型函數(shù)。模型經(jīng)過一系列工作，先訓(xùn)練數(shù)據(jù)集中的音頻文件，然后將測試集中的音頻文件放入模型識(shí)別得出結(jié)果，即識(shí)別率和數(shù)據(jù)丟失率。在該模型中創(chuàng)建實(shí)例并調(diào)用，點(diǎn)擊運(yùn)行程序。將學(xué)習(xí)率設(shè)為0.2，進(jìn)行3000次迭代訓(xùn)練，不斷更新每一級(jí)網(wǎng)絡(luò)層的權(quán)重后得到最優(yōu)模型，運(yùn)行程序，但最后識(shí)別結(jié)果不是很理想。圖3.3.1方案2：直接使用keras中比較完善的模型來完成語音識(shí)別任務(wù)。Keras提供了大量封裝好的,可以直接使用的神經(jīng)網(wǎng)絡(luò)，為構(gòu)建模型提供了便利。邢艷芳,段紅秀,何光威.TensorFlow在圖像識(shí)別系統(tǒng)中的應(yīng)用[J].計(jì)算機(jī)技術(shù)與發(fā)展,2019,第29卷（5）:192-196.加載訓(xùn)練集與特征提取與方案一相同。主要識(shí)別“bed”、“go”、“house”、“off”、“stop”、“yes”六類的語音。同時(shí)定義mfcc語音特征調(diào)整函數(shù)并調(diào)用在創(chuàng)建數(shù)據(jù)集函數(shù)中，對(duì)音頻數(shù)據(jù)進(jìn)行長度大小的切割，保證語音長度相同。這里調(diào)用keras.models.Sequential()來構(gòu)建sequential順序模型，由多個(gè)網(wǎng)絡(luò)層線性堆疊的棧。圖3.3.2運(yùn)行程序：可見準(zhǔn)確率大幅度提升圖3.3.3控制系統(tǒng)設(shè)計(jì)控制家庭部分是將識(shí)別的結(jié)果作為控制信號(hào)發(fā)送到目的地終端，通過服務(wù)端Socket網(wǎng)絡(luò)編程接收識(shí)別結(jié)果也就是客戶端發(fā)送的控制信息，達(dá)到控制和命令的目的。音頻采集與識(shí)別模塊這一模塊實(shí)現(xiàn)的功能是先進(jìn)行錄音，將錄制的音頻保存在文件夾中，加載已經(jīng)訓(xùn)練好的模型，對(duì)此文件夾中的音頻進(jìn)行識(shí)別，得到一個(gè)文字信息為最終的識(shí)別結(jié)果。錄制新音頻：利用pyaudio庫調(diào)用設(shè)備的麥克風(fēng)進(jìn)行錄音，錄制音頻的各個(gè)參數(shù)與訓(xùn)練集的語音保持一致，聲道數(shù)為單聲道，采樣頻率為16kHz，時(shí)長為1s等。圖4.1（2）識(shí)別音頻：加載所保存的模型后對(duì)所有新錄制的音頻進(jìn)行預(yù)測，由于輸出層采用了Softmax作為激活函數(shù)基于神經(jīng)網(wǎng)絡(luò)的語音識(shí)別技術(shù)應(yīng)用研究[J].中國科技縱橫基于神經(jīng)網(wǎng)絡(luò)的語音識(shí)別技術(shù)應(yīng)用研究[J].中國科技縱橫,2018,（6）:18-19.網(wǎng)絡(luò)通信模塊得到語音識(shí)別的結(jié)果之后，需要將控制信息發(fā)送給接收設(shè)備，讓設(shè)備得到控制后做出相應(yīng)的反饋。為此，本文設(shè)計(jì)了一個(gè)利用網(wǎng)絡(luò)通信的信號(hào)發(fā)送模塊，模擬對(duì)家居設(shè)備的控制。該模塊的功能是將識(shí)別結(jié)果的文字信息，通過網(wǎng)絡(luò)通信發(fā)送給想要控制的設(shè)備，該設(shè)備接收到信息后反饋給發(fā)送端。該模塊使用socket套接字進(jìn)行網(wǎng)絡(luò)通信。主要有一下幾部分：（1）服務(wù)端的建立：首先所需要控制的設(shè)備調(diào)用socket()函數(shù)建立一個(gè)服務(wù)端，使用listen()，開始監(jiān)聽客戶端的請(qǐng)求，也就是處于等待連接的狀態(tài)。圖4.2（2）客戶端的建立：語音識(shí)別程序作為此次通信的客戶端。當(dāng)模型識(shí)別出新音頻且返回一個(gè)結(jié)果時(shí)，調(diào)用connect()函數(shù)提出連接請(qǐng)求。圖4.3連接確認(rèn)：當(dāng)服務(wù)器接收到客戶端連接請(qǐng)求時(shí)，它將立即響應(yīng)客戶端請(qǐng)求以創(chuàng)建新線程，并且服務(wù)器將信息發(fā)送到客戶端?？蛻舳舜_認(rèn)后，建立連接。服務(wù)器繼續(xù)處于偵聽狀態(tài)，并繼續(xù)從另一個(gè)客戶端接收連接請(qǐng)求?？蛻舳四Ｐ退R(shí)別的結(jié)果就會(huì)一一發(fā)送給服務(wù)端的設(shè)備，服務(wù)端的設(shè)備接收到一個(gè)信息就會(huì)回饋給客戶端一個(gè)接收成功的信息。設(shè)計(jì)演示語音訓(xùn)練，得到識(shí)別結(jié)果：開始錄音，保存錄音文件并放入模型識(shí)別得到結(jié)果：向服務(wù)端發(fā)送信號(hào)，控制成功，實(shí)現(xiàn)本設(shè)計(jì)所有目的：6結(jié)論本論文以人工智能行業(yè)在智能家居中的應(yīng)用為背景，結(jié)合基于構(gòu)建人工神經(jīng)網(wǎng)絡(luò)的語音識(shí)別技術(shù)模擬實(shí)現(xiàn)了語音控制智能家居，設(shè)計(jì)基本功能的需求，對(duì)語音識(shí)別及人工神經(jīng)元網(wǎng)絡(luò)的原理進(jìn)行學(xué)習(xí)，選取穩(wěn)定可靠的模型，確定程序設(shè)計(jì)具體框架與詳細(xì)功能需求。設(shè)計(jì)詳細(xì)功能需求，依照需求對(duì)編寫程序，得到程序代碼，包括語音輸入，語音預(yù)處理，訓(xùn)練模型，最后得出完整的語音控制系統(tǒng)；對(duì)所設(shè)計(jì)系統(tǒng)進(jìn)行測試，包括多種環(huán)境下的測試，結(jié)果表明此次設(shè)計(jì)的語音識(shí)別系統(tǒng)較為可靠，大部分使用場景下有很高的識(shí)別率，達(dá)到90%以上。本次設(shè)計(jì)也存在著許多可以改善的地方，例如語音的識(shí)別并不是實(shí)時(shí)的，在程序中的體現(xiàn)只是先將音頻文件錄制后保存，再進(jìn)行模型的預(yù)測，這與實(shí)際應(yīng)用中的語音識(shí)別還不太一致，程序的設(shè)計(jì)還有進(jìn)步的空間。再者就是控制方面的問題，由于各方面的因素限制，導(dǎo)致了最終并沒有完整地實(shí)現(xiàn)控制功能，只是簡單地做了模擬，在后續(xù)的研究中仍是需要改善的點(diǎn)。參考文獻(xiàn)［1］周春榮.基于神經(jīng)網(wǎng)絡(luò)的語音識(shí)別技術(shù)應(yīng)用研究[J].中國科技縱橫,2018,（6）:18-19.［2］于曉明.語音識(shí)別技術(shù)的發(fā)展及應(yīng)用[J].計(jì)算機(jī)時(shí)代,2019,（11）:28-31.［3］范靖宇.基于神經(jīng)網(wǎng)絡(luò)的語音識(shí)別技術(shù)研究[J].電腦迷，2018，（第30期）.［4］張震南.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在語音識(shí)別中的應(yīng)用[J].甘肅科技縱橫,2008,（4）:21-76.［5］于樹本.基于MFCC的說話人語音識(shí)別系統(tǒng)的研究[J].黑龍江科技信息,2015,（27）:69-70.［6］邢艷芳,段紅秀,何光威.TensorFlow在圖像識(shí)別系統(tǒng)中的應(yīng)用[J].計(jì)算機(jī)技術(shù)與發(fā)展,2019,第29卷（5）:192-196.［7]郭子琰,舒心,劉常燕等.基于ReLU函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)的花卉識(shí)別算法[J].計(jì)算機(jī)技術(shù)與發(fā)展,2018,第28卷（5）:154-157，163.［8］范靖宇.基于神經(jīng)網(wǎng)絡(luò)的語音識(shí)別技術(shù)研究[J].電腦迷，2018，（第30期）.［9］周春榮.基于神經(jīng)網(wǎng)絡(luò)的語音識(shí)別技術(shù)應(yīng)用研究[J].中國科技縱橫,2018,（6）:18-19.［10]沈澤君,楊文元.粒計(jì)算思維下的BP神經(jīng)網(wǎng)絡(luò)在金融趨勢預(yù)測中的應(yīng)用[J].小型微型計(jì)算機(jī)系統(tǒng),2019,第40卷（3）:527-532.謝辭為時(shí)一個(gè)學(xué)期的畢業(yè)設(shè)計(jì)即將結(jié)束了，這也意味著我在北京理工大學(xué)珠海學(xué)院的大學(xué)生涯也即將結(jié)束。四年的大學(xué)生活，所有努力和付出，隨著本次畢業(yè)設(shè)計(jì)的完成也將畫上完美的句號(hào)，在畢業(yè)設(shè)計(jì)這段時(shí)間里，我得到了很大的自身提高，其中包含了人工智能，語音識(shí)別，物聯(lián)網(wǎng)等相關(guān)技術(shù)的理解，還有對(duì)相關(guān)書籍的認(rèn)識(shí)等等，這些都得益于老師和同學(xué)的大力幫助。首先要感謝的是我的父母，是你們默默地在背后給我鼓勵(lì)，做我最堅(jiān)強(qiáng)的后盾，讓我可以無憂的參與學(xué)習(xí)生活，可以說沒有你們，也就沒有現(xiàn)在的我，微言寸語豈能訴盡感激之情，只好銘記心中。養(yǎng)育之恩，無以回報(bào)，你們的快樂和健康是我最大的財(cái)富。感謝龔雪沅老師，在畢業(yè)設(shè)計(jì)期間，是龔雪沅老師一直給予我支持和鼓勵(lì)，老師治學(xué)嚴(yán)謹(jǐn)，平易近人，不僅在相關(guān)課程中營造了良好的學(xué)習(xí)氛圍，同時(shí)在畢業(yè)設(shè)計(jì)上提出了非常多的建設(shè)性意見，老師對(duì)于每周開會(huì)的堅(jiān)持，做到對(duì)每位同學(xué)的畢業(yè)設(shè)計(jì)上的指導(dǎo)，可以說整雙有了您的知道才能使我們的畢業(yè)設(shè)計(jì)順利進(jìn)行，不僅為我們打開了廣闊的思路，也潛移默化地改變了我的人生觀和世界觀，為我將來的學(xué)習(xí)生活打下了堅(jiān)實(shí)的基礎(chǔ)。其次，要感謝在北京理工大學(xué)珠海學(xué)院教導(dǎo)過我的每一位老師，是你們悉心教導(dǎo)使我有了良好的專業(yè)課知識(shí)，這些是我得以完成論文的基礎(chǔ)。同時(shí)每位老師的認(rèn)真負(fù)責(zé)的態(tài)度，嚴(yán)謹(jǐn)求實(shí)的教學(xué)風(fēng)格，給我樹立了非常好的榜樣，讓我在面對(duì)人生舞臺(tái)時(shí)充滿信心。還要感謝我的同學(xué)們，在這段時(shí)間里，你們給我了很多啟發(fā)和幫助，讓我知道團(tuán)隊(duì)的力量有多么強(qiáng)大，有了你們的幫助使得設(shè)計(jì)不斷地完善，充實(shí)，讓困難得以解決，你們即我的益友也是我的良師。四年時(shí)光悠悠走過，在這里，我度過了人生中最為美麗的時(shí)光，在這里，我由懵懂少年轉(zhuǎn)變?yōu)橐鈿馇嗄?。這段時(shí)光必將是我終生難忘的經(jīng)歷。再次向我的師長，家人，朋友，同學(xué)，表示誠摯的感謝。最后也向在百忙之中評(píng)審本文的各位老師表示衷心的謝意！附錄附錄1程序源代碼1：方案一import

wave

import

numpy

as

np

import

os

import

pickle

from

tqdm

import

trange

#

替換range()可實(shí)現(xiàn)動(dòng)態(tài)進(jìn)度條，可忽略

import

keras

from

sklearn.metrics

import

confusion_matrix,

classification_report

lst_label_name=[]

#

得到數(shù)據(jù)集

def

create_datasets():

lst_wav=[]

lst_label=[]

path="./data250/"

for

i

in

os.listdir(path):

path_wave=path+i

num=0

lst_label_name.append(i)

for

j

in

os.listdir(path_wave):

try:

waveData

=

get_wav_mfcc(path_wave+"/"+j)

lst_wav.append(waveData)

lst_label.append(lst_label_name.index(i))

num=num+1

except:

pass

print(lst_label_name)

np_wav=np.array(lst_wav)

np_labels=np.array(lst_label)

return

np_wav,np_labels

#

激活函數(shù)

def

logistic(x):

return

1

/

(1

+

np.exp(-x))

#

Sigmoid的導(dǎo)數(shù)

def

logistic_derivative(x):

return

logistic(x)

*

(1

-

logistic(x))

def

tanh(x):

return

np.tanh(x)

def

tanh_deriv(x):

return

1.0

-

np.tanh(x)

*

np.tanh(x)

#

tanh函數(shù)的導(dǎo)數(shù)

class

NeuralNetwork:#面向?qū)ο蠖x一個(gè)神經(jīng)網(wǎng)絡(luò)類

def

__init__(self,

layers,

activation='tanh'):#下劃線構(gòu)造函數(shù)self

相當(dāng)于本身這個(gè)類的指針

layer就是一個(gè)list

數(shù)字代表神經(jīng)元個(gè)數(shù)

"""

:param

layers:

A

list

containing

the

number

of

units

in

each

layer.

Should

be

at

least

two

values

:param

activation:

The

activation

function

to

be

used.

Can

be

"logistic"

or

"tanh"

"""

if

activation

==

'logistic':

self.activation

=

logistic#之前定義的s函數(shù)

self.activation_deriv

=

logistic_derivative#求導(dǎo)函數(shù)

elif

activation

==

'tanh':

self.activation

=

tanh#雙曲線函數(shù)

self.activation_deriv

=

tanh_deriv#求導(dǎo)雙曲線函數(shù)

self.weights

=

[]#初始化一個(gè)list作為權(quán)重

#初始化權(quán)重兩個(gè)值之間隨機(jī)初始化

for

i

in

range(1,

len(layers)

-

1):#有幾層神經(jīng)網(wǎng)絡(luò)

除去輸出層

#i-1層

和i層之間的權(quán)重

隨機(jī)生成layers[i

-

1]

+

1

*

layers[i]

+

1

的矩陣

-0.25-0.25

self.weights.append((2*np.random.random((layers[i

-

1]

+

1,

layers[i]

+

1))-1)*0.25)

#i層和i+1層之間的權(quán)重

self.weights.append((2*np.random.random((layers[i]

+

1,

layers[i

+

1]))-1)*0.25)

def

fit(self,

X,

y,

learning_rate=0.2,

epochs=3000):#訓(xùn)練神經(jīng)網(wǎng)絡(luò)

X

=

np.atleast_2d(X)#x至少2維

temp

=

np.ones([X.shape[0],

X.shape[1]+1])#初始化一個(gè)全為1的矩陣

temp[:,

0:-1]

=

X

#

adding

the

bias

unit

to

the

input

layer

X

=

temp

y

=

np.array(y)

for

k

in

trange(epochs):

i

=

np.random.randint(X.shape[0])#隨機(jī)選行

a

=

[X[i]]

for

l

in

range(len(self.weights)):

#正向傳播

#選擇一條實(shí)例與權(quán)重點(diǎn)乘

并且將值傳給激活函數(shù)，經(jīng)過a的append

使得所有神經(jīng)元都有了值（正向）

a.append(self.activation(np.dot(a[l],

self.weights[l])))

error

=

y[i]

-

a[-1]

#計(jì)算真實(shí)值與計(jì)算值的差（向量）

#通過求導(dǎo)

得到權(quán)重應(yīng)當(dāng)調(diào)整的誤差

deltas

=

[error

*

self.activation_deriv(a[-1])]

#反向傳播更新weight

for

l

in

range(len(a)

-

2,

0,

-1):

deltas.append(deltas[-1].dot(self.weights[l].T)*self.activation_deriv(a[l]))

deltas.reverse()

for

i

in

range(len(self.weights)):

layer

=

np.atleast_2d(a[i])

delta

=

np.atleast_2d(deltas[i])

self.weights[i]

+=

learning_rate

*

layer.T.dot(delta)

def

predict(self,

x):

x

=

np.array(x)

temp

=

np.ones(x.shape[0]+1)

temp[0:-1]

=

x

a

=

temp

for

l

in

range(0,

len(self.weights)):

a

=

self.activation(np.dot(a,

self.weights[l]))

return

a

def

get_wav_mfcc(wav_path):

f

=

wave.open(wav_path,'rb')

params

=

f.getparams()

nchannels,

sampwidth,

framerate,

nframes

=

params[:4]

strData

=

f.readframes(nframes)

#讀取音頻，字符串格式

waveData

=

np.fromstring(strData,dtype=16)

#將字符串轉(zhuǎn)化為int

waveData

=

waveData*1.0/(max(abs(waveData)))

#wave幅值歸一化

waveData

=

np.reshape(waveData,[nframes,nchannels]).T

f.close()

data

=

list(np.array(waveData[0]))

while

len(data)>16000:

del

data[len(waveData[0])-1]

del

data[0]

while

len(data)<16000:

data.append(0)

data=np.array(data)

data

=

data

**

2

data

=

data

**

0.5

return

data

def

build_model():

wavs,labels=

create_datasets()

num_class=6

labels

=

keras.utils.to_categorical(labels,

num_class)

print(labels)

print(wavs[0])

nn

=

NeuralNetwork([16000,

512,

6],

'logistic')

nn.fit(wavs,

labels)

lst_wav=[]

#加載測試集

lst_label=[]

lst_label_name=[]

path="./test20/"

for

i

in

os.listdir(path):

path_wave=path+i

num=0

lst_label_name.append(i)

for

j

in

os.listdir(path_wave):

try:

waveData

=

get_wav_mfcc(path_wave+"/"+j)

lst_wav.append(waveData)

lst_label.append(lst_label_name.index(i))

num=num+1

except:

pass

print(lst_label_name)

num=0

lst_pred=[]

for

i

in

range(len(lst_wav)):

predicts

=

nn.predict(lst_wav[i])

lst_pred.append(np.argmax(predicts))

for

i

in

range(len(lst_label)):

if

lst_pred[i]==lst_label[i]:

num=num+1

print('測試準(zhǔn)確率：'+str(num/(len(lst_label))))

if

__name__

==

'__main__':

#建立模型

build_model()

附錄2程序源代碼2:方案二import

wave

import

numpy

as

np

import

os

import

socket

import

time

import

pyaudio

import

keras

from

keras.models

import

Sequential

from

keras.models

import

load_model

from

keras.layers

import

Dense

def

get_wav_mfcc（wav_path）:

f

=

wave.open（wav_path,'rb'）

params

=

f.getparams）

#

print（"params:",params）

nchannels,

sampwidth,

framerate,

nframes

=

params[:4]

strData

=

f.readframes（nframes）#讀取音頻，字符串格式

waveData

=

np.fromstring（strData,dtype=16）#將字符串轉(zhuǎn)化為int

waveData

=

waveData*1.0/（max（abs（waveData）#wave幅值歸一化

waveData

=

np.reshape（waveData,[nframes,nchannels]）.T

f.close）

###

對(duì)音頻數(shù)據(jù)進(jìn)行長度大小的切割，保證每一個(gè)的長度都是一樣的【因?yàn)橛?xùn)練文件全部是1秒鐘長度，16000幀的，所以這里需要把每個(gè)語音文件的長度處理成一樣的】

data

=

list（np.array（waveData[0]）

#

print（len（data）

while

len（data）〉16000:

del

data[len（waveData[0]）-1]

del

data[0]

#

print（len（data）

while

len（data）〈16000:

data.append（0）

#

print（len（data）

data=np.array（data）

data

=

np.abs（data）

return

data

#

加載數(shù)據(jù)集

和

標(biāo)簽[并返回標(biāo)簽集的處理結(jié)果]

def

create_datasets）:

cls=["bed",

"go",

"house",

"off",

"stop",

"yes"]

wavs=[]

labels=[]

#

labels

和

testlabels

這里面存的值都是對(duì)應(yīng)標(biāo)簽的下標(biāo)，下標(biāo)對(duì)應(yīng)的名字在labsInd中

testwavs=[]

testlabels=[]

for

i

in

range（6）:

path

=

"data2\\"+cls[i]+"\\"

files

=

os.listd（r(pa）h)

for

j

in

files:

waveData

=

get_wav_mf（c(path）j)

wavs.append（waveData）

labels.append（i）

for

i

in

range（6）:

path

=

"test\\"+cls[i]+"\\"

files

=

os.listd（r(pa）h)

for

j

in

files:

waveData

=

get_wav_mf（c(path）j)

testwavs.append（waveData）

testlabels.append（i）

wavs=np.array（wavs）

labels=np.array（labels）

testwavs=np.array（testwavs）

testlabels=np.array（testlabels）

return

（wavs,labels）,（testwavs,testlabels）

def

build_model）:

（wavs,labels）,（testwavs,testlabels）

=

create_datasets）

print（wavs.shape,"

",labels.shape）

print（testwavs.shape,"

",testlabels.shape）

#

標(biāo)簽轉(zhuǎn)換為獨(dú)熱碼

labels

=

keras.utils.to_categorical（labels,

6）

testlabels

=

keras.utils.to_categorical（testlabels,

6）

print（labels[0]）

##

類似

[1.

0.

0]

print（testlabels[0]）

##

類似

[0.

0.

0]

print（wavs.shape,"

",labels.shape）

print（testwavs.shape,"

",testlabels.shape）

#

構(gòu)建sequential順序模型，由多個(gè)網(wǎng)絡(luò)層線性堆疊的棧。使用其API可以構(gòu)建任意的神經(jīng)網(wǎng)絡(luò)圖。

model

=

Sequential）

#可以簡單地使用

.add）

來堆疊模型,Dense（768）

是一個(gè)具有

768

個(gè)隱藏神經(jīng)元的全連接層。

model.add（Dense（512,

activation='relu',input_shape=（16000,）

model.add（Dense（256,

activation='relu'）

model.add（Dense（128,

activation='relu'）

model.add（Dense（6,

activation='softmax'）

model.summary）

#

[編譯模型]

配置模型，損失函數(shù)采用交叉熵，優(yōu)化采用Adadelta，將識(shí)別準(zhǔn)確率作為模型評(píng)估

#Keras的核心原則是使事情變得相當(dāng)簡單，同時(shí)又允許用戶在需要的時(shí)候能夠進(jìn)行完全的控制

pile（loss=keras.losses.categorical_crossentropy,

optimizer=keras.optimizers.Adam）,

metrics=['accuracy']）

#

validation_data為驗(yàn)證集

#

批量地在訓(xùn)練數(shù)據(jù)上進(jìn)行迭代,以

124

個(gè)樣本為一個(gè)

batch

進(jìn)行迭代

model.fit（wavs,

labels,

batch_size=128,

epochs=15,

verbose=1,

validation_data=（testwavs,

testlabels）

#

開始評(píng)估模型效果

#

verbose=0為不輸出日志信息

score

=

model.evaluate（testwavs,

testlabels,

verbose=0）

print（'Test

loss:',

score[0]）

print（'Test

accuracy:',

score[1]）

#

準(zhǔn)確度

model.save（'asr_model_weights.h5'）

#

保存訓(xùn)練模型

def

predict（path）:

#加載訓(xùn)練好的模型，識(shí)別新的音頻，返回識(shí)別結(jié)果

pred_labels

=

["bed",

"go",

"house",

"off",

"stop",

"yes"]

wavs

=

[]

load_labels

=

[]

files

=

os.listdir（path）

for

j

in

files:

waveData

=

get_wav_mfcc（path+j）

wavs.append（waveData）

load_labels.append（j[:-4]）

print（"所加載的語音指令為：",load_labels）

wavs=np.array（wavs）

model

=

load_model（'asr_model_weights_2000.h5'）

#加載訓(xùn)練好的模型

preds

=

model.predict（wavs）

preds

=

preds.tolist）

result

=

[]

#創(chuàng)建列表存放識(shí)別結(jié)果

for

pred

in

preds:

#result.append（labels[pred.index（max（pred）]）

result.append（pred_labels[pred.index（max（pred）]）

return

result

def

send_sig（sig）:

#發(fā)送信號(hào)

#

1、創(chuàng)建socket通信對(duì)象

clientSocket

=

socket.socket）

#

2、使用正確的ip和端口去鏈接服務(wù)器

clientSocket.connect（"",8888）

#

3、客戶端與服務(wù)器端進(jìn)行通信

#

給socket服務(wù)器發(fā)送信息

send_data

=

str（sig）

clientSocket.send（send_data.encode（'GB2312'）

#

接收服務(wù)器的響應(yīng)（服務(wù)器回復(fù)的消息）

recvData

=

clientSocket.recv（1024）.decode（'GB2312'）

print（'%s

指令控制結(jié)果為:

%s'

%

（send_data,

recvData）

#

4、關(guān)閉socket對(duì)象

clientSocket.close）

def

get_audio（filepath）:

#錄入新的音頻

aa

=

str（input（"是否開始錄音？

（是/否）"）

if

aa

==

str（"是"）

:

CHUNK

=

256

FORMAT

=

pyaudio.paInt16

CHANNELS

=

1

#

聲道數(shù)

RATE

=

16000

#

采樣率

RECORD_SECONDS

=

1

WAVE_OUTPUT_FILENAME

=

filepath

p

=

pyaudio.PyAudio）

stream

=

p.open（format=FORMAT,

channels=CHANNELS,

rate=RATE,

input=True,

frames_per_buffer=CHUNK）

print（"*"*10,

"開始錄音：請(qǐng)?jiān)?秒內(nèi)輸入語音"）

frames

=

[]

for

i

in

range（0,

int（RATE

/

CHUNK

*

RECORD_SECONDS）:

data

=

stream.read（CHUNK）

frames.append（data）

print（"*"*10,

"錄音結(jié)束\n））

stream.stop_stream）

stream.close）

p.terminate）

wf

=

wave.open（WAVE_OUTPUT_FILENAME,

'wb'）

wf.setnchannels（CHANNELS）

wf.setsampwidth（p.get_sample_size（FORMAT）

wf.setframerate（RATE）

wf.writeframes（b''.join（frames）

wf.close）

elif

aa

==

str（"否"）:

exit）

else:

print（"無效輸入，請(qǐng)重新選擇"）

get_audio（in_path）

def

sending）:

#延時(shí)進(jìn)度條

scale

=

20

print（"開始發(fā)送指令..."）

start

=

time.perf_counter）

for

i

in

range（scale

+

1）:

a

=

"="

*

i

b

=

"."

*

（scale

-

i）

c

=

（i/scale）*100

dur

=

time.perf_counter）

-

start

print（"\r{:^3.0f}%[{}〉>{}]{:.2f}s".forma（(c,a,b,du）),end

="）)

time.slee（(0.）)

#print（"\n"+"指令發(fā)送成功?。?

if

__name__

==

'__main__':

#訓(xùn)練模型

build_model）

#錄入語音

is_contin

=

input（"是否開始錄入音頻：

（按任意鍵繼續(xù)，按q退出）

"）

count

=

1

while

is_contin

!=

'q':

input_filename

=

"input{}.wav".format（count）

#

麥克風(fēng)采集的語音輸入

input_filepath

=

".\\Audio\\"

#

輸入文件的path

in_path

=

input_filepath

+

input_filename

get_aud（o(in_pa）h)

count

+=

1

is_contin

=

input（"是否繼續(xù)錄入音頻：

（按任意鍵繼續(xù)，按q退出）

"）

#使用模型識(shí)別語音

path

=

"Audio\\"

result

=

predic（(pat）)

prin（("模型識(shí)別出的指令為：",

result,

'\n）)

time.slee（(）)

#發(fā)送信號(hào)

for

re

in

result:

print（"向機(jī)器發(fā)送

{}

指令".format（re）

sending）

send_sig（re）

time.sleep（0.5）

print（"\n"+"指令發(fā)送成功！）)

print（"指令發(fā)送完畢！"）

附錄3程序源代碼3：方案二控制家居部分import

socket

#

1、創(chuàng)建服務(wù)端的socket對(duì)象

sk

=

socket.socket）

#

2、綁定一個(gè)ip和端口

sk.bind（"",8888）

#

3、服務(wù)器端一直監(jiān)聽是否有客戶端進(jìn)行連接

sk.listen（5）

while

1:

#

4、如果有客戶端進(jìn)行連接、則接受客戶端的連接

conn,addr

=

sk.accept）

#

返回客戶端socket通信對(duì)象和客戶端的ip

#

5、客戶端與服務(wù)端進(jìn)行通信

rev_data

=

conn.recv（1024）

print（'接收到的控制信息為:

%s\n'

%

（rev_data.decode（'GB2312'）

#

6、服務(wù)端給客戶端回消息

conn.send（b"Successful!

\r\n\）\n")

#http協(xié)議

#

7、關(guān)閉socket對(duì)象

conn.close）

電腦無法識(shí)別U盤該怎么辦HYPERLINK電腦無法識(shí)別U盤怎么辦?打開我的電腦上單擊右鍵，在快捷菜單里，選擇“管理”，打開“計(jì)算機(jī)管理”窗口。在計(jì)算機(jī)管理窗口里，選擇“存儲(chǔ)”下面的“磁盤管理”，如果看得到?jīng)]有盤符的U盤，那么在這個(gè)U盤上按鼠標(biāo)右鍵，選擇“更改驅(qū)動(dòng)器名稱和路徑”選項(xiàng)，就打開了“更改……的驅(qū)動(dòng)器號(hào)和路徑”對(duì)話框。再點(diǎn)擊“更改”按鈕，打開“更改驅(qū)動(dòng)器號(hào)和路徑”的對(duì)話框，在“指定以下驅(qū)動(dòng)器號(hào)”的右邊下拉列表里，選擇你希望分配給U盤的驅(qū)動(dòng)器號(hào)，盡可能靠后選擇，比如X、Y、Z，選擇好后，單擊確定按鈕，回到上一次“更改……的驅(qū)動(dòng)器號(hào)和路徑”對(duì)話框窗口，再一次單擊確定，就回到“計(jì)算機(jī)管理”窗口。至此，如果一切正常，就給U盤單獨(dú)設(shè)置了一個(gè)長久使用的驅(qū)動(dòng)器號(hào)，并卻，不受虛擬驅(qū)動(dòng)器的影響了。建議將U盤插到電腦上，看任務(wù)欄中是否顯示圖標(biāo)，如果顯示，在我的電腦點(diǎn)右鍵查看屬性——高級(jí)——硬件——設(shè)備管理器——查看里面是否有問號(hào)的設(shè)備，在問號(hào)設(shè)備上點(diǎn)右鍵——更新驅(qū)動(dòng)程序然后下一步——否暫時(shí)不連接到網(wǎng)絡(luò)——下一步自動(dòng)安裝軟件（推薦）就可以了另外：系統(tǒng)不認(rèn)U盤的幾種處理方法1.禁用主板usb設(shè)備。管理員在CMOS設(shè)置里將USB設(shè)備禁用，并且設(shè)置BIOS密碼，這樣U盤插到電腦上以后，電腦也不會(huì)識(shí)別。這種方法有它的局限性，就是不僅禁用了U盤，同時(shí)也禁用了其他的usb設(shè)備，比如usb鼠標(biāo)，usb光驅(qū)等。所以這種方法管理員一般不會(huì)用，除非這臺(tái)電腦非常重要，值得他舍棄掉整個(gè)usb總線的功能。但是這種屏蔽也可以破解，即便設(shè)置了密碼。整個(gè)BIOS設(shè)置都存放在CMOS芯片里，而COMS的記憶作用是靠主板上的一個(gè)電容供電的。電容的電來源于主板電池，所以，只要把主板電池卸下來，用一根導(dǎo)線將原來裝電池的地方正負(fù)極短接，瞬間就能清空整個(gè)CMOS設(shè)置，包括BIOS的密碼。隨后只需安回電池，自己重新設(shè)置一下CMOS，就可以使用usb設(shè)備了。（當(dāng)然，這需要打開機(jī)箱，一般眾目睽睽之下不大適用~~）2.修改注冊(cè)表項(xiàng)，禁用usb移動(dòng)存儲(chǔ)設(shè)備。打開注冊(cè)表文件，依次展開"HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Services\usbehci”雙擊右面的“Start”鍵，把編輯窗口中的“數(shù)值數(shù)據(jù)”改為“4”，把基數(shù)選擇為“十六進(jìn)制”就可以了。改好后注銷一下就可以看見效果了。為了防止別人用相同的方法來破解，我們可以刪除或者改名注冊(cè)表編輯器程序。提示：“Start”這個(gè)鍵是USB設(shè)備的工作開關(guān)，默認(rèn)設(shè)置為“3”表示手動(dòng)，“2”是表示自動(dòng)，“4”是表示停用。3.在computermanagement里將removablestorage的使用權(quán)限禁止。computermanagement是一個(gè)windows管理組件，可以在控制面板——管理工具——計(jì)算機(jī)管理打開。在該工具窗口中storage——removablestorage——property中，general項(xiàng)，可以控制系統(tǒng)托盤是否顯示security則可以管理移動(dòng)存儲(chǔ)設(shè)備的使用權(quán)限。在security中將普通用戶的使用權(quán)限降低，就可以達(dá)到禁用u盤的目的。破解的方法也很簡單，管理員降低普通用戶移動(dòng)存儲(chǔ)設(shè)備的使用權(quán)限，但未必禁用computermanagement的使用權(quán)限。普通用戶可以通過這個(gè)工具解除usb移動(dòng)存儲(chǔ)設(shè)備的使用權(quán)限限制。另外，值得一提的是，如果u盤插到電腦上后可以驅(qū)動(dòng)，但是我的電腦里卻沒有盤符，很有可能是管理員改動(dòng)了u盤的默認(rèn)盤符，使得我的電腦不能識(shí)別。這種情況，可以在movablestorage中看到u盤驅(qū)動(dòng)器?？梢栽趗盤驅(qū)動(dòng)器屬性設(shè)置里為u盤重新分配一個(gè)盤符，再重新插拔一次u盤，就可以在我的電腦里看到u盤的盤符了。一、首先可以將該U盤換到別的機(jī)器上，看使用是否正常。如果排除了硬件損壞的可能，一般就是軟件方面有問題。在WindowsXP+SP1操作系統(tǒng)下，有些USB2.0設(shè)備的確常常出現(xiàn)工作不穩(wěn)定的問題，可以試試安裝設(shè)備自帶的USB2.0驅(qū)動(dòng)程序。另外最好不要使用USB延長線，防止因?yàn)楣╇姴蛔愣斐刹环€(wěn)定現(xiàn)象。如果仍無效，可以在主板BIOS設(shè)定中，將USB接口強(qiáng)行設(shè)置為USB1.1傳輸速率。二、（適用于WIN98）啟動(dòng)計(jì)算機(jī)，進(jìn)入主板BIOS設(shè)置，檢查BIOS中USB的相關(guān)選項(xiàng)是否已經(jīng)打開：OnChipUSB設(shè)定為Enabled；USBController設(shè)定為Enabled；PNPOSInstalled設(shè)定為Yes；AssignIRQForUSB設(shè)成Enabled。要正常使用USB設(shè)備首先要開啟USB接口，在主板BIOS里可以進(jìn)行此項(xiàng)工作，一般來說只需在BIOS中進(jìn)入ChipsetFeatures設(shè)置，并將USBKeyborad/MouseLegacy選項(xiàng)設(shè)定為Enable，就能夠保證在操作系統(tǒng)下使用USB鍵盤了。這些選項(xiàng)的作用是打開主板芯片組對(duì)USB設(shè)備的完全支持，為系統(tǒng)識(shí)別USB設(shè)備做準(zhǔn)備工作。三、USB口接觸不好處理辦法：拔下，等十秒鐘再插上USB口，使接觸完好；五、閃存盤驅(qū)動(dòng)程序沒有安裝完成(WIN98系統(tǒng)下)處理辦法：鼠標(biāo)點(diǎn)“我的電腦”，選擇屬性找到“通用串行總線”，刪除其中的USBMASSSTORAGE項(xiàng)，再點(diǎn)擊“刷新”，然后按照提示重新安裝一次驅(qū)動(dòng)程序。六、接其它USB設(shè)備(如掃描儀、打印機(jī)、數(shù)碼相機(jī))時(shí)可以正常使用，接優(yōu)盤時(shí)閃指示燈不亮，不能夠使用。1、檢查優(yōu)盤與電腦的聯(lián)接是否正常，并換用其它USB接口測試。2、檢查設(shè)備管理器，看是否出現(xiàn)”通用總線設(shè)備控制器”條目，如果沒有，請(qǐng)將電腦主板BIOS中USB接口條目*激活(ENABLE)。3、如果電腦安裝過其它類型USB設(shè)備，卸載該設(shè)備驅(qū)動(dòng)程序，并首先安裝優(yōu)盤驅(qū)動(dòng)程序。4、到其它電腦試用此優(yōu)盤，確認(rèn)是否優(yōu)盤不良。七、啟動(dòng)型優(yōu)盤在的電腦上無法實(shí)現(xiàn)啟動(dòng)，可能是主板型號(hào)不支持。如何判斷一塊主板是否支持閃存盤啟動(dòng)系統(tǒng)啟動(dòng)型優(yōu)盤是采用模擬USB軟驅(qū)和USB硬盤的方式啟動(dòng)電腦的。只要電腦主板支持USB設(shè)備啟動(dòng)，即BIOS的啟動(dòng)選項(xiàng)中有USB-FDD、USB-HDD或是其它類似的選項(xiàng)，就可以使用啟動(dòng)型優(yōu)盤啟動(dòng)電腦。八、第一次在電腦上使用優(yōu)盤，未出現(xiàn)提示發(fā)現(xiàn)新硬件的窗口，驅(qū)動(dòng)程序無法安裝的原因可能是：1、主板usbcontroller未啟用解決辦法:在電腦主板BIOS中啟用此功能。2、usbcontroller已經(jīng)啟用但運(yùn)行不正常解決辦法:在設(shè)備管理器中刪除”通用串行控制器”下的相關(guān)設(shè)備并刷新。3、優(yōu)盤被電腦識(shí)別異常，在設(shè)備管理器中表現(xiàn)為帶有黃色？或！的”其它設(shè)備”或“未知設(shè)備”。解決辦法:刪除此設(shè)備并刷新。九、大容量的U盤(例如兼具M(jìn)P3播放器或錄音功能的U盤)或移動(dòng)硬盤在電腦上無法正常使用，雖然系統(tǒng)提示找到了未知的USB設(shè)備，但無法正確識(shí)別U盤或移動(dòng)硬盤。原因可能是：1．USB接口供電不足:系統(tǒng)為每個(gè)USB接口分配了500mA的最大輸出電流，一般的U盤只需要100mA的工作電流，因此在使用過程中不會(huì)出現(xiàn)什么問題。大多數(shù)移動(dòng)硬盤所使用的是普通的2.5英寸硬盤，其工作電流介于500mA~1000mA之間，此時(shí)假如僅僅通過USB接口供電，當(dāng)系統(tǒng)中并無其他USB設(shè)備時(shí)，那么還是可以勉強(qiáng)使用的，但如果電壓不穩(wěn)的話，就隨時(shí)可能出現(xiàn)供電不足的問題。特別是使用支持USB2.0的移動(dòng)硬盤時(shí)，情況最為嚴(yán)重。另外，如果你的筆記本電腦使用電池供電，那么USB接口所分配的電量就更小了。2．使用了外接的USB擴(kuò)展卡:在筆記本電腦中使用USB2.0的U盤或移動(dòng)硬盤時(shí)，如果筆記本電腦不支持USB2.0技術(shù)，一般必須通過PCMCIA卡轉(zhuǎn)USB2.0的擴(kuò)展卡來間接實(shí)現(xiàn)支持，這些擴(kuò)展卡基本上都采用NEC公司的D720100AGMUSB控制芯片，少則提供兩個(gè)USB2.0接口，多則提供五個(gè)USB2.0接口，對(duì)一般用戶而言足夠使用了。由于PCMICA接口提供的電源功率比板載USB接口要小，這樣就會(huì)由于供電不足而導(dǎo)致移動(dòng)硬盤工作的出現(xiàn)問題。解決方案:1.它從USB連接線上接移動(dòng)硬盤的一端引出一根轉(zhuǎn)接線，可以插入電腦背后的PS/2接口取電，這里可以比USB接口提供更大的電流輸出。2.利用電源補(bǔ)償線(也稱“鍵盤取電線”)，如果U盤或移動(dòng)硬盤的包裝盒中提供了選配的電源適配器，你就可以直接使用外接電源，這樣就可以從根本上避免供電不足的情況發(fā)生了前置USB線接錯(cuò)。當(dāng)主板上的USB線和機(jī)箱上的前置USB接口對(duì)應(yīng)相接時(shí)把正負(fù)接反就會(huì)發(fā)生這類故障，這也是相當(dāng)危險(xiǎn)的，因?yàn)檎?fù)接反很可能會(huì)使得USB設(shè)備燒毀。所以盡量采用機(jī)箱后置的USB接口,也少用延長線.也可能是斷口有問題,換個(gè)USB端口看下.USB接口電壓不足。當(dāng)把<ahref="mobileharddisk">移動(dòng)硬盤</a>接在前置USB口上時(shí)就有可能發(fā)生系統(tǒng)無法識(shí)別出設(shè)備的故障。原因是<ahref="">移動(dòng)硬盤</a>功率比較大要求電壓相對(duì)比較嚴(yán)格，前置接口可能無法提供足夠的電壓，當(dāng)然劣質(zhì)的電源也可能會(huì)造成這個(gè)問題。解決方法是<ahref="">移動(dòng)硬盤</a>不要接在前置USB接口上，更換劣質(zhì)低功率的電源或盡量使用外接電源的硬盤盒，假如有條件的話。主板和系統(tǒng)的兼容性問題。呵呵這類故障中最著名的就是NF2主板與USB的兼容性問題。假如你是在NF2的主板上碰到這個(gè)問題的話，則可以先安裝最新的nForce2專用USB2.0驅(qū)動(dòng)和補(bǔ)丁、最新的主板補(bǔ)丁和操作系統(tǒng)補(bǔ)丁，還是不行的話嘗試著刷新一下主板的BIOS一般都能解決。系統(tǒng)或BIOS問題。當(dāng)你在BIOS或操作系統(tǒng)中禁用了USB時(shí)就會(huì)發(fā)生USB設(shè)備無法在系統(tǒng)中識(shí)別。解決方法是開啟與USB設(shè)備相關(guān)的選項(xiàng)。就是開機(jī)按F2或DEL鍵,進(jìn)入BIOS,把enableusbdevice選擇enable。拔插要小心,讀寫時(shí)千萬不可拔出,不然有可能燒毀芯片。XP中任務(wù)欄中多出USB設(shè)備的圖標(biāo)，打開該圖標(biāo)就會(huì)在列表中顯示U盤設(shè)備，選擇將該設(shè)備停用,然后你再拔出設(shè)備，這樣會(huì)比較安全。

其實(shí)判斷軟件硬件問題很簡單,在別的機(jī)器或換個(gè)系統(tǒng)試試就