本发明涉及数据处理，特别涉及一种自然语言处理系统与方法。
背景技术：
1、自然语言处理(naturallanguageprocessing，nlp)技术近年来取得了显著进展，在语音识别、文本理解、机器翻译等领域得到了广泛应用。
2、然而，现有的语音识别系统在面对一些特殊情况，如用户酒后、嗓子生病后、吃饭时等，由于声音特征发生改变，常常出现无法准确识别对应人员语音指令的问题。
3、因此，本发明提出一种自然语言处理系统与方法，通过构建特殊语段并拆分，结合mfcc、lpc算法进行音色预存，建立了个性化音色库；在特殊情况下，利用相同算法提取实时语音音色特征，结合dtw算法匹配，依据阈值判断；实现了在用户酒后、生病等声音变化场景下，准确识别语音指令发出者身份，提高语音指令识别的准确性和可靠性。
技术实现思路
1、解决的技术问题：由于声音特征发生改变，常常出现无法准确识别对应人员语音指令的问题。
2、针对现有技术的不足，本发明提供了一种自然语言处理系统与方法，进而解决了背景技术中提及的技术问题。
3、为实现以上目的，本发明通过以下技术方案予以实现：
4、一种自然语言处理系统与方法，其特征在于，包括：
5、特殊语段构建模块，用于构建包含所有中文发音的特殊语句，并利用发音覆盖算法和发音拆分技术将其拆分成发音段；
6、音色预存与管理模块，设有录音设备接口、音色特征提取单元和数据库存储与管理单元，用于建立个人音色库；
7、实时语音处理模块，通过实时语音采集、语音预处理和初步语音分析，对用户实时输入的语音指令进行采集、预处理和初步分析；
8、音色分析与匹配模块，采用实时音色特征提取、预存音色拆分与匹配以及阈值设定与匹配决策技术，将实时采集的语音指令与预存的音色特征进行分析和匹配；
9、指令识别与执行模块，在音色匹配成功后，通过语音转文本、自然语言理解和指令执行接口，对用户的语音指令进行识别、理解并执行相应操作；
10、系统管理与反馈模块，包含系统监控、参数调整、用户反馈收集和数据分析与优化单元，负责系统的整体管理、优化升级。
11、在一种可能的实现方式中，所述发音覆盖算法基于汉语普通话拼音系统，利用排列组合原理和语言模型评估生成特殊语句，所述发音拆分技术采用端点检测技术结合基于隐马尔可夫模型的音素识别算法。
12、在一种可能的实现方式中，所述音色特征提取运用梅尔频率倒谱系数算法和线性预测编码技术，所述数据库存储与管理为每个用户建立唯一标识并关联音色特征数据及元数据。
13、在一种可能的实现方式中，所述实时语音采集采用抗噪技术，语音预处理包括归一化处理、端点检测和分帧处理，初步语音分析运用基于深度学习的语音活动检测模型和简单声学模型。
14、在一种可能的实现方式中，所述实时音色特征提取采用与音色预存阶段相同算法并结合增量式特征提取方法，预存音色拆分与匹配使用动态时间规整算法，阈值设定与匹配决策依据大量实验和数据分析为每个音色特征维度设定独立匹配阈值。
15、在一种可能的实现方式中，所述语音转文本采用基于深度学习的语音识别模型结合连接时间分类损失函数，自然语言理解运用句法分析和语义角色标注技术。
16、在一种可能的实现方式中，应用于上述的一种自然语言处理系统的一种自然语言处理方法，所述方法步骤如下：
17、步骤1、用户首次使用系统时进行音色预存；
18、步骤2、用户在特殊情况下输入语音指令，系统进行实时语音采集与预处理、初步语音分析；
19、步骤3、对实时语音进行音色分析与匹配；
20、步骤4、若音色匹配成功，进行指令识别与执行；
21、步骤5、系统持续进行系统监控、参数调整、用户反馈收集和数据分析与优化。
22、与现有技术相比的有益效果：
23、1.本方案中，通过构建特殊语段并拆分，结合mfcc、lpc算法进行音色预存，建立了个性化音色库；在特殊情况下，利用相同算法提取实时语音音色特征，结合dtw算法匹配，依据阈值判断；实现了在用户酒后、生病等声音变化场景下，准确识别语音指令发出者身份，提高语音指令识别的准确性和可靠性；
24、2.本方案中，实时语音处理模块运用抗噪技术、归一化处理、端点检测、分帧处理等，结合语音活动检测模型和简单声学模型分析；指令识别与执行模块采用深度学习模型转文本，借助句法和语义分析理解指令意图并执行；实现了对特殊情况下输入的语音指令，从采集、预处理到识别、执行的全流程高效处理，提升人机交互的流畅性；
25、3.本方案中，通过系统管理与反馈模块通过实时监控各模块运行状态，基于监控数据和用户反馈，采用自适应算法调整参数，运用数据挖掘和机器学习技术分析优化；实现了系统的自我优化和持续改进，使其能不断适应不同环境和用户需求，保障系统长期稳定、高效运行，提升用户体验。
1.一种自然语言处理系统，其特征在于，包括：
2.如权利要求1所述的一种自然语言处理系统，其特征在于，所述发音覆盖算法基于汉语普通话拼音系统，利用排列组合原理和语言模型评估生成特殊语句，所述发音拆分技术采用端点检测技术结合基于隐马尔可夫模型的音素识别算法。
3.如权利要求1所述的一种自然语言处理系统，其特征在于，所述音色特征提取运用梅尔频率倒谱系数算法和线性预测编码技术，所述数据库存储与管理为每个用户建立唯一标识并关联音色特征数据及元数据。
4.如权利要求1所述的一种自然语言处理系统，其特征在于，所述实时语音采集采用抗噪技术，语音预处理包括归一化处理、端点检测和分帧处理，初步语音分析运用基于深度学习的语音活动检测模型和简单声学模型。
5.如权利要求1所述的一种自然语言处理系统与方法，其特征在于，所述实时音色特征提取采用与音色预存阶段相同算法并结合增量式特征提取方法，预存音色拆分与匹配使用动态时间规整算法，阈值设定与匹配决策依据大量实验和数据分析为每个音色特征维度设定独立匹配阈值。
6.如权利要求1所述的一种自然语言处理系统，其特征在于，所述语音转文本采用基于深度学习的语音识别模型结合连接时间分类损失函数，自然语言理解运用句法分析和语义角色标注技术。
7.应用于权利要求1-6所述的一种自然语言处理系统的一种自然语言处理方法，其特征在于，所述方法步骤如下：