基音周期检测的希尔伯特-黄变换方法

根据语音信号非平稳非线性的时变特点,提出了一种基于希尔伯特-黄变换的基音周期检测法。该方法不需要对语音信号进行短时平稳假设,能自适应地对信号进行分解,具有很高的时频分辨率(不受Heisenberg不确定原理的制约)。利用短时能量对语音进行清浊音判断,再经过经验模态分解将信号分解为若干固有模态函数,然后对每个固有模态函数进行希尔伯特变换求其瞬时幅值与瞬时频率,根据基音特点对分解得到的固有模态函数加权求和突出基音周期信息,最后采用自相关平方法进行基音检测。实验表明,该方法较传统的基音检测法精度有所提高,且鲁棒性较好。     

基于小波变换和平均周期的鲁棒性基音周期检测方法

提出了一种基于小波变换和平均周期的鲁棒性基音周期检测方法（MPRE）。检测前加入小波变换预处理，以平滑信号中的细节分量，检测采用最小预测能量差和基于子帧划分的基音平均周期检测方法。该方法可以克服很氏我基音检测方法中阈值难以确定的问题，并对噪声有效强的鲁棒性。     

一种基于周期能量的基音检测方法

文章对语音信号的能量呈现周期性变化的现象进行了研究,提出了一种基于周期能量变化的基音检测方法。采用一个长帧语音信号平均能量作为基准参考能量,用一个短帧语音信号平均能量来表示瞬时能量。由二者可算出瞬时能量测度(InstantEnergyMeasure,IEM)序列。对瞬时能量测度序列进行自相关计算后,得到基音周期。实验分析表明,该方法在干净和噪声环境下,基音周期提取和清浊判决具有令人满意的效果。     

基于前置滤波和小波变换的带噪语音基音周期检测方法

根据语音信号的基音周期范围有限和在声门闭合时刻语音信号出现锐变的特点,提出一种基于前置滤波和小波变换的基音周期检测方法。带噪语音信号经过3阶椭圆低通滤波器滤波后,采用以二次样条小波作为小波函数,进行一级小波变换检测语音信号的锐变点,再计算基音周期。实验表明,本文提出的基音周期检测方法,与平均幅度差函数(AMDF)和自相关函数(ACF)方法相比,提高了提取基音周期的准确率;与多尺度小波变换的基音周期检测方法相比,减小了计算量,削弱了噪声信号和语音的共振峰对基音周期检测的影响。     

基于Hilbert-Huang变换的JPEG2000隐写分析

实现了针对由Su等人提出的JPEG2000 Lazy—mode隐写术的可靠检测．在理论和实验分析的基础上,文章揭示了由Lazy—mode隐写术生成的掩密图像,其子带代码块噪声方差序列的振荡特征异于非掩密含噪图像的子带代码块噪声方差序列．因此,此文隐写检测算法的关键在于针对这两种子带代码块噪声方差序列进行序列分析,提取它们内在的振荡特征差异．在序列分析中,通过引入Hilbert—Huang变换,对噪声方差序列进行经验模式分解,构建了基于Hilbert谱的特征向量．实验表明,基于该特征向量的支持向量机（SVM）分类器能以平均90．6％的准确率识别掩密图像．根据检索,目前尚未有对JPEG2000Lazymode隐写术进行成功分析的报道,因此,该文具有重大意义．     

基于Hilbert—Huang变换的非平稳随机信号处理

实际中的信号本质上是非平稳的,所谓平稳只是非平稳的一种特殊状态,而Hilbert-Huang变换的提出为非平稳随机信号的分析提供一种有效的方法.Hilbert-Huang变换的核心是经验模式分解(EMD),可以将任意复杂的信号分解成为有限个固有模态函数(IMF)的和.本文详细研究了Hilbert-Huang变换的相关理论,介绍了当前研究的热点.     

基于线性预测残差倒谱的基音周期检测

提出一种基于线性预测残差倒谱的基音周期检测算法.该算法对语音信号的线性预测残差信号做倒谱变换,将其作为基音检测特征.并综合残差倒谱峰、短时能量和短时过零率三种特征,构造一个清浊音判决函数,简化清浊音判决过程,提高判决精度.在基音周期检测过程中,根据基音连续原则,提出峰值重定位方法,有效降低基音倍频和半频的错误率.对比实验表明,本文算法的性能不仅较之传统的倒谱方法有明显改善,同时也优于目前效果较好的YIN算法和多尺度小波算法.     

基于经验模式分解的汉字字体识别方法

提出了一种基于经验模式分解(empirical mode decomposition,简称EMD)的汉字字体识别方法.通过对大量汉字字体的研究比较,选取了能反映汉字字体基本特征的8种基本笔画.以这8种汉字笔画为模板,在汉字文档图像块中随机地抽取笔画信息,形成笔画特征序列.通过对笔画特征序列作EMD分解,提取每个笔画特征序列的高频能量,并结合汉字文档图像块的平均灰度,形成字体识别的一个9维特征.     

改进的基音周期检测算法研究

针对传统的短时平均幅度差函数（AMDF）法由于出现均值下降趋势,谷点并非全局最低谷点而导致基音周期提取中的倍频和半频错误出现的情况,提出一种改进算法。将传统的AMDF经过经验模式分解（EMD）处理后去掉趋势项重组新的EMDAMDF,再利用短时自相关函数（ACF）对其进行加权,构造新的EMDAMDF/ACF加权平方特征检测该语音帧的基音。仿真结果表明,该方法有效地加强了AMDF的谷值特性提高了基音周期检测的准确率。     

一种基于纹理识别的手写数字识别方法

提出了一种新的手写数字识别方法,通过将一幅规范化手写数字图像做任意旋转和简单排列,形成纹理图像,将手写数字识别问题转换为纹理识别问题。然后提取纹理图像在不同方法的主频中心作为特征向量,用最小距离分类器进行分类。实验表明,该方法不仅具有高的识别率和低的特征维数,而且具有旋转、伸缩和平移不变性。     

基于希尔伯特-黄变换的AEP去噪方法

在高刺激率模式下,采用去卷积方法提取暂态的听觉诱发电位存在噪声敏感的问题.为此,提出一种结合希尔伯特-黄变换(HHT)与总体相关的去噪方法.利用HHT方法提取有用信号,通过总体相关方法区分混叠在同—频率段的信号和噪声,获得相关性强的成分.实验结果表明,该方法能在不增加刺激个数的情况下,使得平均信号的信噪比提高约4倍,且...     

基于Hilbert-Huang变换的语音信号分离

针对短时傅里叶变换不能正确得到非平稳信号的能量频率分布问题,提出了一种基于Hilbert-Huang变换的单信道语音信号分离的算法。该算法首先对分解得到的各内蕴模式函数分量(IMF)进行Hilbert变换,得到混合信号时频面上的Hilbert谱,然后对混合信号的Hilbert谱运用独立子空间分析的方法得出代表各个独立源信号的子空间,并对其求逆变换,从而恢复出各个源信号。通过仿真实验验证了此算法的正确性和有效性,且与短时傅里叶变换时频分析法相比较,其分离性能明显得到改善,显示了Hilbert-Huang变换在处理非平稳信号的优越性。     

Hilbert-Huang变换在语音增强中的应用

希尔伯特——黄变换（HHT）是近几年提出的一种分析非线性、非平稳信号的新方法。本文对HHT方法的理论和算法进行了详细的阐述，通过实例分析验证了该方法的有效性，并将其应用于典型的非平稳语音信号中，提出了一种基于HHT的语音增强方法，同时与小波变换实现语音去噪进行了对比。仿真结果证明基于HHT对带噪语音进行处理，提高了信号的信噪比及语音的清晰度和可懂度。HHT方法适于语音信号处理．具有广阔的发展前景。     

基于Hilbert-Huang变换的ECG信号降噪方法

提出了一种新的ECG信号降噪方法.该方法以Hilbert-Huang变换(HHT)和阈值降噪方法为核心,将经验模态分解(EMD)分解出的各层固有模态函数(IMF)分为噪声成分起主导作用层和有用信号起主导作用层.对噪声成分起主导作用层采用Donoho等人提出的阈值估计法,对有用信号起主导作用层的噪声水平通过高频层的能量与平均周期的乘积来确定.讨论了噪声成分起主导作用层和有用信号起主导作用层的区分判别问题.该方法克服了阈值估计法对有用信号起主导作用层噪声水平估计的较大偏差.经实验验证表明,该方法能有效地滤除ECG信号检测中的几类主要噪声,且失真很小.     

基于震动信号HHT的车辆分类

震动传感器是智能监控传感器系统的重要组成部分。震动信号是一种非线性非平稳信号。相比于传统的时频分析方法,对希尔伯特-黄变换是一种更有效地处理非平稳信号的时频分析方法。将希尔伯特-黄变换引入到车辆分类中,提取震动信号特征信息,利用经验模态分解(EMD)获得车辆行驶引起的地面震动信号的固有模态函数(IMF),通过选取的固有模态函数得到相应的希尔伯特谱,然后在希尔伯特谱的基础上根据谱峰对车辆进行分类。仿真测试结果表明方法具有很高的正确率。     

基于ＥＥＭＤ域统计模型的话音激活检测算法

提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsicmode function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的VAD算法,特别在噪声强度大时体现出明显的优势。     

GA和RBF神经网络的Hilbert.Huang变换端点问题研究

Hilbert.Huang变换(HHT)在对信号进行经验模态分解和对各内禀模态函数进行Hilbert变换时会产生端点效应,端点效应会严重影响HHT的应用质量;为克服该问题,文中采用多目标分配遗传算法(GA)解决RBF神经网络(NN)模型训练的参数选择,并利用RBF_NN对信号延拓后再进行经验模态分解;该方法可有效克服经验模态分解方法的端点效应问题,得到具有明确物理意义的内禀模态函数和Hilbert谱;通过对典型确定信号和实际信号的仿真分析表明:文中提出的算法能有效解决HHT中存在的端点效应问题,且其效果优于RBF神经网络和支持向量机(SVM)的数据序列延拓方法。     

基于HHT运动想象脑电模式识别研究

脑机接口是一种变革性的人机交互, 其中基于运动想象(Motor imagery, MI)脑电的脑机接口是一类非常重要的脑机交互. 本文旨在探索有效的运动想象脑电特征模式提取方法. 采用在时域、频域同时具有很高分辨率的希尔伯特--黄变换(Hilbert-Huang transform, HHT),进而提取自回归(Auto regressive, AR)模型参数并计算运动想象脑电平均瞬时能量,从而构造特征向量, 最后利用能较好地适应运动想象脑电单次试验分类的支持向量机(Support vector machine, SVM)进行分类. 结果表明在Trial的5.5～7.5s期间, HHT特征提取方法平均分类正确率为81.08%, 具有良好的适应性;最高分类正确率为87.86%, 优于传统的小波变换特征提取方法和未经HHT的特征提取方法;在Trial的8～9s期间, HHT特征提取方法显著优于后两种特征提取方法. 本研究证实了HHT对运动想象脑电这一非平稳非线性信号具有很好的特征提取能力, 也再次验证了运动想象事件相关去同步(Event-related desynchronization, ERD)现象, 同时也表明运动想象脑电的脑--机交互系统性能与被试想象心理活动的质量密切相关. 本文可望为基于运动想象脑电的在线实时脑机交互控制系统的研究打下坚实的基础.