基于超高斯激励的噪声顽健语音线性预测分析算法

针对传统的语音信号线性预测分析算法在噪声环境下性能恶化的问题,提出了一种新的基于超高斯激励的噪声顽健线性预测算法。该算法采用具有超高斯特性的学生t分布对语音信号线性预测激励建模,并显式地考虑环境噪声的影响,从而构建语音信号线性预测分析的概率图模型。在此基础上,利用变分贝叶斯的方法求解模型参数的近似后验分布,进而实现对带噪语音线性预测系数的最优估计。实验结果表明,该算法能够有效提高噪声环境下语音信号线性预测分析的顽健性。     

SαS与高斯的混合噪声中低密度校验码的译码算法

首先引入对称α稳定(SαS)噪声来建立脉冲噪声的统计模型,并认为接收端噪声是SαS与高斯噪声相迭加的混合噪声;用数值计算的方法,分析了混合噪声的概率密度函数;在此基础上提出了脉冲噪声环境下的修正MPA算法.仿真表明,算法性能优良,且是顽健的.     

基于顽健估计的室内节点定位算法

针对室内强噪声环境高精度、高顽健性定位问题,把顽健估计理论和变尺度法应用于室内定位,提出了基于顽健估计的室内节点定位算法.该算法依据余差大小,采用权值自适应调整机制,对有效测量数据进行保权处理,对可利用测量数据进行降权处理,对有害测量数据进行淘汰处理.采用具有2次收敛特性的变尺度法对目标代价函数进行最小优化,实现节点快速定位.实验表明,该算法具有良好定位精度和定位顽健性,明显优于未采用顽健估计的普通最小二乘定位算法.     

PLAR在噪声环境下说话人识别中的应用

本文介绍了基于文本无关的说话人识别系统中,采用一种具有较好顽健性的语音特征参数的方法,这个参数叫做感知对数面积比.在不同的噪声环境下,把本文采用的方法跟常用的特征参数进行比较,证明了感知面积比参数比常用的几个参数比如MFCC和LPCC有更好的噪声顽健性.     

脉冲噪声环境下改进的顽健循环时延估计算法

研究了脉冲噪声环境下循环平稳信号的时延估计问题,针对脉冲噪声环境中基于传统二阶谱相关函数的时延估计方法性能退化问题,提出了基于分数低阶循环谱的改进顽健算法。相对于传统算法,新算法对脉冲噪声、高斯噪声、干扰信号都具有较好的抑制作用。仿真结果证明了算法的有效性和顽健性。     

PLAR在噪声环境下说话人识别中的应用

本文介绍了基于文本无关的说话人识别系统中,采用一种具有较好顽健性的语音特征参数的方法,这个参数叫做感知对数面积比。在不同的噪声环境下,把本文采用的方法跟常用的特征参数进行比较,证明了感知面积比参数比常用的几个参数比如MFCC和LPCC有更好的噪声顽健性。     

加性白噪声环境下语音特征参数鲁棒性的研究

随着说话人识别技术的发展,实用有效的说话人识别系统越来越成为研究的重点.语音特征参数的鲁棒性直接影响一个说话人识别系统的具体性能,过去主要针对移动通信环境下存在信道失真的问题,研究差分倒谱的鲁棒性.文中则主要在加性白噪声环境下研究Mel倒谱参数、Mel差分倒谱参数的顽健性以及它们经过倒谱系数零均值化（CMN）处理后识别性能的改进.从仿真结果可以看出：在加性白噪声环境下,差分倒谱参数具有很好的鲁棒性;倒谱系数零均值化能有效的除去加性白噪声.     

脉冲噪声环境下的SCOT加权时间延迟估计新方法

针对平滑相干变换(SCOT)加权广义相关时间延迟估计方法在脉冲噪声环境下的退化现象,依据分数低阶α稳定分布噪声的尖峰脉冲特性和分数低阶统计量理论,提出了基于分数低阶协方差的SCOT加权时间延迟估计方法,并进一步提出了不依赖于分数低阶α稳定分布噪声参数估计的基于非线性变换(Sigmoid变换和反正切变换)的SCOT加权时间延迟估计方法。理论分析和计算机仿真结果表明,新方法在高斯和非高斯脉冲噪声环境下都具有良好的顽健性。     

有色噪声下基于Wishart随机矩阵的贝叶斯时变信道估计

提出一种适用于有色噪声环境下的贝叶斯时变信道估计方法,该方法根据Wishart随机矩阵理论和Gibbs采样方法,首先对有色噪声的协方差阵和信道参数进行初估计,在此基础上,对序贯蒙特卡洛(SMC,sequential monte carlo)采样器的参考分布进行改进,使用SMC方法对时变信道参数进行盲跟踪(无需导频信号),从而实现了有色噪声下时变信道的半盲估计.与以往的时变信道估计方法相比,该方法具有估计误差小、顽健性强等特点.计算机仿真结果验证了该方法的有效性.     

混响和有色噪声环境下的顽健时延估计方法

提出一种针对混响和有色噪声的顽健时延估计算法.该算法通过对房间冲激响应进行盲辨识来去除混响的影响,并使用延迟相关矩阵抑制有色噪声,从而提高了实际环境下时延估计算法的性能.仿真实验结果表明,在混响和有色噪声环境下,此算法能有效地进行时延估计.