基于小波分解和信号相关函数的语音端点检测

为检测和分离含噪语音信号中的信号段和噪声段,提出一种基于小波分解和信号相关函数的检测方法.该方法对含噪信号进行多层小波分解,利用相邻层重构信号间的相似性,通过信号相关计算来检测语音端点.实验表明:该方法能够较准确地在噪声污染的音频中检测出语音端点,其抗噪声干扰能力强于美尔倒谱检测法.     

基于最小统计噪声估计的信号子空间语音增强

针对传统子空间方法中，采用语音活动检测（Voice activity detection，VAD）估计噪声的缺陷，提出了一种基于子空间域的最小统计噪声估计算法。噪声估计通过跟踪带噪语音协方差矩阵用每个特征向量上的特征值的最小值来获得，该方法不需要VAD明确区分语音段和噪声段，能够在整个信号期间实现噪声的连续估计和不断更新。实验结果表明，相对于传统的基于VAD的子空间方法，本文提出的算法对语音增强效果有非常显著的提高。     

一种基于HHT的语音增强算法研究与仿真

语音增强是语音识别、语音编码等语音分析系统中一个重要的环节,直接影响到语音信号的处理过程。回顾了语音增强算法的发展历程,提出一种基于希尔伯特黄（HHT）算法的语音增强算法。使用HHT对含噪语音进行EMD变换,得到各阶IMF分量和残差,对高频的IMF分量采用小波去噪的软阈值方法进行处理,把经过阈值处理的高频IMF和低频IMF相加,得到增强的语音信号。针对三种典型噪声（白噪声、babble噪声和volvo噪声）的降噪问题,应用HHT算法取得了良好的结果。     

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。     

基于小波及能量熵的带噪语音端点检测算法

为了在复杂的噪声环境中区分出语音信号和非语音信号(噪声),提出了一种基于小波及能量熵的带噪语音端点检测方法.该方法利用小波的多分辨率特性以及它对非平稳信号局部特征的表现能力,对含噪语音信号进行小波变换,用各层能量熵值的平均值来有效地区分语音段和非语音段.不同背景噪声及不同信噪比下的实验结果表明,提出的带噪语音端点检测算法获得了较高的检测正确率.     

基于优选信息熵的语音端点检测方法

为提高噪声环境中语音端点检测的准确率,提出一种基于信息熵的检测方法.将分帧语音信号按照不同阶数重新量化,选择其中波动范围大的信息熵作为该信号的优选信息熵,通过多次仿真实验确定较优门限,设计状态机对多段带噪语音进行端点检测.实验结果表明,该方法具有较好的抗噪声性能,在同等环境中的检测误判率较低.     

基于自适应噪声估计的语音增强技术

针对语音系统受外界强噪声干扰而导致识别精度降低以及通信质量受损的问题,提出一种基于自适应噪声估计的语音增强方法。通过端点检测将语音信号分为语音段与非语音段,对这两种情况的噪声幅度谱分别进行自适应估计,并对谱减法中不具有通用性的假设进行研究从而改进原理公式。实验结果表明,相对于传统谱减法,该方法能更好地抑制音乐噪声,并保持较高清晰度和可懂度,提高了强噪声环境下的语音识别精度和通信质量。     

基于压缩感知和MFCC的语音端点检测算法

在连续语音识别系统中,针对强噪声环境下传统双门限语音检测方法出现的误检问题,提出了一种结合压缩感知理论和MFCC倒谱系数的端点检测算法。该算法采用Hadamard随机观测矩阵和改进的OMP重构算法对语音信号进行压缩感知与重构,利用语音信号在离散余弦基上的近似稀疏性,提取重构信号的MFCC倒谱系数来检测语音信号的端点。仿真结果表明,提出的改进算法具有较强的鲁棒性,能满足在强噪声环境下对连续语音信号进行有效端点检测的要求。     

Toeplitz含噪语音端点鲁棒检测

针对在低信噪比条件下语音端点检测问题,提出了一种基于Toeplitz最大特征值的去噪语音端点检测方法。该方法用语带频谱自相关序列构造一个对称Toeplitz矩阵,利用该矩阵最大特征值的信息量对语音信号进行双门限端点检测。新算法经过实验,能够有效地区分语音和噪声,在不同的低噪声环境条件下具有良好的鲁棒性。与新近的信号递归度分析方法比较,准确率较高。该算法计算代价小,实时性好,简洁易实现。     

Hilbert-Huang变换在语音去噪中的应用

研究语音信号噪声抑制问题,针对噪声污染干扰正确语音的传输,传统采用的HHT噪声抑制方法有多尺度滤波和阈值去噪,对所有的IMF分量进行处理,没有将IMF分量中的有用信号和噪声信号区别开来,去噪效果受到抑制.为使去噪效果更好,提出一种新的基于能量分析的阈值去噪方法,对含噪信号经过Hilbert-Huang变换后的IMF分量,对于信号和噪声能量分布的特点进行能量分析,将加噪信号中有用信号和噪声信号分离开,再利用阈值去噪方法完成去噪.通过仿真,可观察出语音信号的噪声得到了抑制,能够准确识别语音信号,并且比小波方法简单,不用选择小波基和确定分解层数,不用选择判断阈值,就能够达到或接近小波去噪的水平.     

基于HHT的汽车动态称重数据分析方法

将希尔伯特-黄变换（Hilbert—huang transform，HHT）引入到汽车动态称重数据的分析中，针对动态称重信号的特点运用了极值延拓法来抑制边界效应，提出了利用经验模分解（Empirical mode decomposition，EMD）剩余分量的平均值求汽车动态称重真实轴重的方法，并将该方法与滤波法进行比较；进一步求出信号的Hilbert边际谱，将其与傅里叶幅值谱进行比较。实验结果表明Hilbert边际谱准确地反映了汽车通过称重台时振动系统的频率分布情况，汽车自振频率由此求出；当汽车通过台板的时间大于车辆振动的基频周期时，用该方法处理汽车动态称重信号能得到较理想的结果，车速≤15km／h时最大误差为5．63％。     

基于希尔伯特-黄变换的超宽带信号检测方法

基于超宽带信号检测中希尔伯特-黄变换经验模态分解的边界问题,研究分析了基于非等间隔灰色模型预测极值点的解决方法。针对该方法在某些极值分布情况时个别极值点检测不到的问题,提出了时序残差修正的非等间隔灰色模型解决新方法。通过理论推导,证明了该新方法的有效性,在此基础上,对实际超宽带信号进行了结合新方法的希尔伯特-黄变换检测仿真。分析和仿真结果表明,改进的经验模态分解可以较为准确地重构出淹没在干扰或者噪声中的超宽带脉冲信号,明显改善了超宽带信号检测的准确度。通过与离散小波变换对比分析,体现出希尔伯特-黄变换更适合用于检测超宽带信号。     

基于分形维数和模糊RBF神经网络的语音端点检测

简单介绍了分形维数的概念及模糊RBF神经网络的结构。利用分形维数在噪声情况下作为语音端点检测参数的优越性,组合幅度熵、帧能量及过零率作为模糊神经网络的输入参数进行语音信号端点检测。用连续语音进行非正式测试,实验证明该方法避免了选取阈值这一难点,在噪声情况下仍具有较高检测准确率。     

基于语音增强的双门限语音端点检测算法

语音端点检测是语音信号处理过程中的一个重要步骤,其准确性对语音信号处理有直接影响.传统的双门限语音端点检测技术,在纯净语音或高信噪比的情况下,语音端点判断准确,但低信噪比的情况下,端点识别率很低,出错率较高.为了提高低信噪比条件下语音端点检测的识别率,在传统双门限语音端点检测的基础上融合了语音增强,通过Matlab仿真实验,取得了较高的语音端点检测准确率.     

强噪声环境下自适应语音端点检测算法

本文在分析基于短时能量的语音端点检测算法局限的基础上,引入短时信噪比SNR估计方法,并设计自适应的判决门限,提出一种自适应语音端点检测算法.通过对平稳高斯白噪声环境下信噪比从-10dB到20dB的带噪语音信号进行的仿真实验表明,所提方法能更为准确地检测到语音的端点.     

基于改进方法EEMD的HHT脉搏信号分析

针对传统希尔伯特-黄变换(Hilbert-Huang Transform.HHT)中经验模态分解(EmpiricalMode Decomposition.EMD)存在的模态混叠问题,提出一种基于总体经验模态分解(Ensemble EmpiricalMode Function.EEMD)的脉搏信号分析方法.谊方法通过对原...     

基于不同背景噪声的联合检测技术

提出一种简单、实用的联合检测技术,将经典的基于能量和过零率的双门限法与基于小波变换的子带能量法巧妙地结合起来进行语音信号的端点检测,充分利用双门限法算法简单、实时性好、准确率高,小波子带能量对高斯白噪声区分性能强的特性。仿真结果表明新算法能提高检测系统在噪声环境下端点检测的准确率。     

基于HHT能量和最大Lyapunov指数的蛇行分类方法

现有蛇行监测标准仅考虑构架横向加速度信号的时域幅值信息,通过单一的固定值去评判列车是否蛇行,没有定量反映蛇行失稳对列车的影响程度。针对以上问题,提出基于HHT的能量法,该方法从信号频域主频的大小,频谱的集中性以及频率值等方面来判断高速列车是否发生蛇行运动。在此基础上提出快速蛇行收敛的概念,此类情况对车辆系统运行安全影响较小,因此将其认为是不影响车辆系统安全的信号,并对其进行识别。利用最大Lyapunov指数表征信号的周期性从而区分快速蛇行收敛和蛇行失稳(小幅蛇行和大幅蛇行)。结果表明,通过HHT能量法与最大Lyapunov指数相结合可以对高速列车正常运行、快速蛇行收敛、小幅蛇行和大幅蛇行的四种运行状态进行定性识别,且通过HHT能量值定量反映蛇行程度的大小。最后通过实测线路数据验证了方法的可行性。     

基于特征向量盲分离的多频微弱信号检测方法

研究了低信噪比条件下混合信号的盲分离,针对实际探测的微弱信号常常是多个频率微弱信号共存的情形, 进行了利用特征向量盲分离检测多个频率周期性微弱信号的研究, 以便把利用特征向量盲分离的微弱信号检测应用于信号处理中微弱信号的提取.该方法首先建立混合信号阵元接收模型,利用多路传感器信号盲分离提取有用信号,达到微弱信号检测的目的.仿真和实测数据试验结果表明,此方法可检测出湮没在强噪声环境中的微弱信号的幅度和频率,在-30dB极低信噪比下恢复出了多个弱信号,具有很高的可靠性.     

基于HHT的煤矿电网扰动起止时刻检测方法

针对煤矿电网电能质量扰动复杂、采用小波分析技术解决扰动暂态过程存在小波基选择的问题,提出了一种基于HHT的扰动起止时刻检测方法。该方法以电压缺口为例,在30dB和40dB噪声环境下,首先采用EMD算法对电压缺口信号进行分解,得到IMF1分量、IMF2分量、IMF3分量和剩余分量R;然后对含有高频部分的信号即原始信号、IMF1分量、IMF2分量进行Hilbert变换,得出通过瞬时幅值曲线中突变点位置可以检测扰动起止时刻的结论;通过对比原始信号、IMF1分量、IMF2分量的扰动起止时刻检测值,最后选用了误差最小的IMF1分量的瞬时幅值进行扰动起止时刻检测。实验结果表明,该方法精度高、抗噪声能力强。