飞机舱音背景声下的鲁棒语音端点检测

有效提取飞机舱音背景声下的语音信息对飞机失事原因调查十分重要.提出了基于统计模型的语音端点检测方法.利用高斯混合模型逐帧计算语音/非语音状态的输出概率,利用后向估计方法和平行非线性卡尔曼滤波器估计非平稳噪声帧.最后,通过似然比门限值的计算区分语音和非语音段.与目前典型的语音端点检测算法的对比实验表明,在飞机舱音背景声下,该算法具有较好的准确性、自适应性和鲁棒性.     

民机驾驶舱舱音小波包分析及特征提取

摘 要：针对民航事故调查中的舱音背景声分析,利用小波包分析方法,对不同种类开关手柄声进行了三层分解,提取了不同开关手柄声的各频带归一化能量特征用于对开关手柄进行识别。最后,以B737客机的常用开关手柄的声音为研究对象,采集了大量舱音信号,利用该方法,对舱音信号进行了分析识别,并对结果进行统计验证。
     

改进的最小均方误差语音增强算法的研究

针对传统最小均方误差谱幅度估计（MMSE—STSA．minimum mean-square error-short time spectral amplitude）语音增强算法无法有效的跟踪非平稳噪声变化的问题,对一种改进的MMSE-STSA语音增强算法进行了研究和仿真。该算法对背景噪声的估计利用加权噪声估计方法：采用一个非线性函数根据带噪语音信噪比（SNR．signal—to-noise ratio）的变化计算得到相应的加权因子并作用于带噪语音信号,对加权的带噪语音求平均得到估计的背景噪声。算法中的谱增益修正,还可以抑制低信噪比时的残留噪声以及避免对带噪语音的过抵消。实验结果表明,该方法能很好的跟踪非平稳噪声的变化,不仅在增强性能上有很好的效果,同时降低了语音的失真。     

低信噪比环境下的语音识别方法研究

单通道语音信号在信噪比较大的环境下经过增强后再识别,能表现出较高的识别率。但是在低信噪比环境下,增强后语音信号的识别率急剧下降。针对此种情况,提出了一种用在识别系统前端的语音增强算法,该增强算法将采集到的带噪语音信号先使用对数最小均方误差(Logarithmic Minimum Mean Square Error,Log MMSE)提高其信噪比,然后再利用改进的维纳滤波去除噪声残留并提升语音可懂度,最后用梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients,MFCC)和隐马尔科夫模型(Hidden Markov Model,HMM)对增强后的语音信号做特征提取并识别。实验分析结果表明,该方法能有效地抑制背景噪声并减少噪声残留,显著提升低信噪比环境下语音识别的准确性。     

飞机舱音记录器背景声信息的联合时频分析

机舱音记录器记录的舱音主要是由话语音、噪声和具有不同物理意义的背景声组成的复杂混合体,用传统的辨听和分析方法难以获取更多的舱音特征参数。以舱音记录器记录的主告警声为例,针对传统短时傅立叶变换在舱音辨听、分析的不足,将联合时频分析引入到飞机舱音分析中,扩展了舱音分析方法。对比分析结果表明：时频分布及其重排在时频分辨率、时频凝聚性、抑制交叉项干扰上各有所长,适合分析非平稳舱音背景声,从而为飞行事故调查提供一种值得借鉴的方法。     

飞机舱音记录器声信息识别方法的初步研究

有效识别舱音记录器声信息对失事飞机原因调查十分重要.文章介绍了飞机舱音记录器、舱音记录器声信息及特点.指出了当前国内基于计算机音频处理技术的舱音记录器声信息译码系统在对声信息辨听方法上存在的不足.系统提出了运用MATLAB语言和小波变换对舱音记录器所记录的声信息（噪声、语音信息和其它背景声信息）识别方法.     

典型舱音背景声在消声室中测试分析研究

基于全消声室良好的自由声场环境特性和声学测试原理,用LMSSC305对真实飞机和模拟机驾驶舱中的开关提示等4种典型舱音背景声在全消声室中进行测试分析应用研究。结果表明：基于全消声室测试的舱音特征谱值与理论计算结果一致,且比传统的人工译码辩听和音频分析的结果准确,验证舱音特征谱值计算结果的可靠性。     

基于不同方法的飞机舱音背景声频谱特征的获取与分析

由于飞机事故的舱音样本不宜对外公布、同一机型的异常舱音背景声也不易在飞行过程中测录到,且基于舱音译码辨听和音频分析的传统方法难以准确获得舱音背景声的频谱特征。因此,获取、检验和比较已获舱音背景声的频谱特征的正确性十分必要。为解决此问题,以测录到的飞机超速音频警告声为研究对象,首先基于小波变换的多尺度分析获取该舱音背景声的频谱特征,然后提出基于线性调频Z变换方法和相关分析方法对该警告声的主要频谱计算比较。结果及应用表明：小波变换、线性调频Z变换（CZT）和相关分析三种不同理论方法的尝试为调查分析飞机事故原因提供了可供比较的、有效的新途径。     

基于频域ICA的语音特征增强*

为了降低卷积噪声对语音特征所产生的影响,提高语音识别正确率,文章提出了一种基于频域ICA（Independent Component Analysis,独立分量分析）的语音特征增强算法。该算法首先使用频域ICA方法作对噪声进行估计,然后在倒谱域内将带噪语音信号的短时谱减去所估计噪声的短时谱,最后根据去噪后语音信号的短时谱计算美尔倒谱系数（MFCC）作为特征参数。在仿真和真实环境下的语音识别实验中,本文所提出的语音特征参数相比较传统的MFCC其识别正确率分别提升了38.2%和35.8%。实验结果表明本文所提算法能够较好地解决卷积噪声环境下训练与识别特征不匹配的问题,有效提高了语音识别系统的识别正确率。     

一种改进的基于对数谱估计的语音增强算法

提出了一种基于对数谱估计的改进型语音增强算法。相对于传统语音增强算法,在语音信号存在不确定的条件下,利用软判决增益因子修正技术调正带噪语音信号的对数谱幅度,抑制背景噪声。引入的改进型先验信噪比估计和语音信号先验不存在概率估计方法,能够有效地估计得出语音信号的存在概率,进而求得语音信号存在时的谱增益因子函数,联合语音信号不存在时设定的增益因子函数加权求得谱增益函数。计算机仿真表明,即使在低信噪比条件下,输入背景噪声为高斯白噪声和粉红噪声等加性白噪声时,所提算法对噪声的抑制效果非常明显,且有效地克服了传统算法中引入的“音乐噪声”和语音信号畸变。     

3G系统中背景噪声消除算法的研究

对适用于3G终端系统单麦克风（single microphone）情况的最小均方误差估计（minimum mearesquare error estimation．简称MMSE）噪声消除算法进行了研究,比较了传统MMSE噪声消除算法与经过改进的MMSELSA（Log-Spectral Amplitude MMSE-STSA）噪声消除算法的性能和算法复杂度,其目的是从算法消除噪声的效果和最后硬件实现的难易度两方面来验证哪种算法更适合实际3G系统的应用。论文所讨论的MMSE-LSA噪声消除算法对传统MMSE算法的改进之处主要是在谱增益的计算和语音激活检测（VAD）技术两方面,其中对谱增益计算的改进改变了传统贝赛尔函数实现的算法,使实际的应用更加容易。而对VAD检测算法的改进,使含噪语音的语音停顿周期检测更加准确,从而提高了噪声消除的性能。最后通过主观和客观的检测方法,证明了后一种算法的优越性。     

双微阵列语音增强算法在说话人识别中的应用

针对复杂噪声环境下识别性能显著降低的问题,提出一种用于说话人识别系统前端的双微阵列语音增强算法。该算法采用的是相干滤波和频域宽带最小方差无畸变响应波束形成器后置结合改进的维纳滤波器。其基本原理是首先求出双微麦克风阵列信号中两个相邻通道间的相干函数,再利用通道间信号的相干性来进行初始噪声抑制。其次,通过一个频域宽带最小方差无畸变响应(Minimum Variance Distortionless Response,MVDR)波束形成器保留目标声源方向的信号并抑制其他方向的信号干扰,再通过改进的维纳滤波器去除噪声残留提升语音质量。最后,使用梅尔频率倒谱系数(Mel Frequency Cepstral Coefficients,MFCC)和伽马通滤波器组频率倒谱系数(Gammatone Filter-bank Frequency Cepstral Coefficients,GFCC)对增强后的语音信号做特征参数提取并进行说话人识别。仿真过程采用声学人工头模拟双耳采集数据,实验结果表明,该语音增强算法在复杂噪声环境下能够获得较好的增强效果,能有效提升说话人识别系统的识别率。