基于经验模态分解和递归图的语音端点检测算法

结合Hilbert-Huang变换中的经验模态分解（EMD）和递归图（RP）法,提出了一种新的语音端点检测算法。该算法首先基于语音和噪声通过经验模态分解及其多尺度特征,在不同的固有模态函数（IMF）上进行软阈值时间尺度滤波处理,然后采用非线性动力学行为中的递归图法,定量统计递归分析中的确定性进行语音端点检测。仿真结果表明,该方法具有很强的非稳态动态变化分析能力,在低信噪比环境下较传统方法能更准确提取出语音信号的起止点,鲁棒性好。     

低信噪比环境下子带能熵比端点检测算法

语音端点检测是将采集到的语音信号从复杂的噪声背景中提取出来，确定每段语音的开始和结束，是后续处理的基础。对于语音端点检测在低信噪比的复杂噪声环境下准确率低的问题，提出了一种多窗谱估计减噪和子带能熵比法结合的语音端点检测算法。该算法通过改进多窗谱谱减法对语音信号进行减噪，在分析了常规谱熵端点检测算法的基础上结合对数能量，以改进的子带能熵比作为阈值进行端点检测。实验表明，该算法在不同环境的低信噪环境下，准确率高，具有较高的鲁棒性。     

基于动态特性的D-LTSV语音端点检测方法

端点检测是语音信号处理的一个关键环节。为提高语音在低性噪比以及非平稳噪声环境下的端点检测性能,在长时信号变化特征(LTSV)的基础上提出一种新的D-LTSV语音端点检测方法。采用Bartlett-Welch方法估计语音谱,分析语音谱在长时域上的熵,利用倒谱的动态特性分析方法提取连续帧熵值的动态变化特征。实验结果表明,D-LTSV综合考虑了语音的非平稳性和帧间非平稳性的动态变化情况,具有比LTSV更好的分辨能力,特别是在低性噪比和非平稳噪声的环境下,D-LTSV的分辨能力提升了50.77%,能够准确地进行端点检测,具有更强的鲁棒性。     

一种基于自适应谱熵的端点检测改进方法

在低信噪比的环境下,为增强与噪声的区分度,提出了一种适应于低信噪比环境的语音端点检测方法.通过改进语音端点检测的特征参数,更好地区分语音信号与噪声信号,提高在低信噪比环境下的端点检测正确率.基于子带谱熵,引入正值常量对基本谱熵参数进行算法改进,得到改良的负谱熵特征,并结合自适应子带选择方法,得到一种新颖的特征参数--自适应子带常量负谱熵.特征在低信噪比的情况下有较强的抗噪能力,并能够准确地检测出语音端点.实验结果表明,不仅快速有效,具有较强的鲁棒性,而且适合低信噪比的语音端点检测.     

模糊熵在车载环境下语音端点检测中的应用

为了提高车载噪声环境下语音端点检测的准确性,介绍了一种新的时间序列复杂性测度：模糊熵,并将其应用于语音信号的特征提取。分别以样本熵和模糊熵提取含噪语音信号的特征,使用双门限法对语音信号进行端点检测,特征门限值使用模糊C均值聚类算法和贝叶斯信息准则算法确定。仿真结果表明在车载噪声环境下与样本熵算法相比,模糊熵算法能更好地区分噪声信号和语音信号,具有更好的端点检测性能,相同环境下模糊熵算法的错误率比样本熵算法降低了16%以上。     

基于改进能熵比的维纳滤波语音增强算法

为了提高低信噪比环境下语音增强的效果、算法的鲁棒性.在基于维纳滤波算法的基础上,结合基于频域特征的语音端点检查算法,提出了一种新的语音增强算法.端点检测算法使用小波包ERB子带的谱熵和改进的频域能量的能熵比法.其中,小波包ERB子带的谱熵考虑了人耳听觉掩蔽模型和语音与噪声信号之间的频率分布之间的不同;频域能量利用了有语音帧和无语音帧的能量不同.维纳滤波算法实时采集语音数据并使用新的参数来区别无语音段和有语音段,并在无语音段平滑更新噪声谱.实验结果表明,该端点检测算法能够很好的区分有语音段和无语音段,这就使得在低信噪比的情况下语音增强效果得到了提升,同时算法的鲁棒性和实时性也得到了保障.在与其他两种算法对比中,得到了更好的语音增强效果.     

实时语音端点鲁棒检测

提出了一种适应复杂环境下的高效的实时语音端点检测算法,给出了每帧声信号在滤波中的噪声功率谱的推算方法。先将每帧语音的频谱进行迭代维纳滤波,再将它划分成若干个子带并计算出每个子带的频谱熵,然后把相继若干帧的子带频谱熵经过一组中值滤波器获得每帧的频谱熵,根据频谱熵的值对输入的语音进行分类。实验结果表明,该算法能够有效地区分语音和噪声,可以显著地提高语音识别系统的性能,在不同的噪声环境条件下具有鲁棒性。该算法计算代价小,简单易实现,适合实时语音识别系统的应用。     

基于最大熵谱估计和时频特性的语音端点检测

语音端点检测对于构建实际语音识别系统具有重要的意义。为了提升在低信噪比条件下语音端点检测算法的性能,提出一种基于最大熵谱和时频特性的端点检测算法。对分帧后的语音信号通过最大熵估算出功率谱,并根据带噪语音信号时频域上的特性进行特征捕捉,从而进行端点检测。实验结果表明,此方法在较低的信噪比下(-9~0 dB)能够比较准确地捕捉语音信号的特征,明显地提高了端点检测的准确性。     

一种改进的含噪语音端点检测方法

语音端点检测是语音识别系统的重要环节之一。针对噪声环境下的语音端点检测困难,提出了一种改进的支持向量机的语音端点检测方法。利用小波分析（WA）提取含噪语音信号的特征向量。采用遗传算法（GA）得到最优的SVM核函数参数[γ]和惩罚因子[C]。建立语音端点检测模型。在Matlab软件平台下进行仿真实验,结果表明在不同的噪声条件下,GA-SVM算法的平均检测率达到94.5%,明显优于传统的双门限算法和普通的SVM算法。     

基于临界频带及能量熵的语音端点检测

语音端点检测的准确性直接关系着语音识别、合成、增强等语音领域的准确性,为了提高语音端点检测的有效性,提出了一种基于临界频带及能量熵的语音端点检测算法。算法充分利用人耳听觉特性的频率分布,将含噪语音信号进行临界频带划分,并结合各频带内信号的能量熵值在语音段和噪声段的不同分布,实现不同背景噪声下语音端点检测。实验结果表明,提出的语音端点检测算法与传统的短时能量法相比,检测正确率平均高1.6个百分点。所提方法在不同噪声的低信噪比(SNR)环境下均能实现语音端点检测。     

EMD在语音情感识别中的应用与研究

语音情感计算引起了国内外广泛的关注,特别是在语音情感特征提取方面做了大量的研究。利用经验模态分解(EMD)方法对情感语音进行处理,得到情感语音的前4阶固有模态函数(IMF),并将前4阶IMF分别通过Hilbert变换得到其瞬时频率和瞬时振幅。提取它们的统计特征,再结合情感语音的声学特征共同组成情感特征向量,并对特征向量做归一化处理。利用支持向量机(SVM)对四种情感语音即生气、高兴、悲伤和平静进行识别。实验结果表明该方法的识别效果较好。     

基于经验模态分解的WVD交叉项抑制法

针对Wigner-Ville分布(WVD)存在交叉项的问题,提出一种基于经验模态分解(EMD)的WVD交叉项抑制方法,将EMD得到的各固有模态函数去伪后进行WVD计算,将WVD分析结果线性叠加后重构出原始信号的WVD时频分布。仿真结果表明,该方法能有效抑制时频分布的交叉项,保证WVD的时频聚集性,分析信号的调幅调频现象。     

基于对数能量倒谱特征的端点检测算法

端点检测技术是语音识别的关键技术之一,为了克服传统倒谱距离语音端点检测算法在低信噪比下检测效果的不理想,将对数能量（LE）特征和倒谱（C）特征相结合,提出了一种新的对数能量倒谱特征（LEC）,采用模糊C均值聚类和贝叶斯信息准则（BIC）方法估计特征门限,得出了正确的语音端点判断,在三种典型噪声下,对信噪比从－5 dB到15 dB的带噪声语音进行仿真,结果表明LEC法的检测错误率仅为20.25%,明显低于倒谱法和对数能量法,能有效地确定语音的端点并改善语音识别效果。     

基于改进EMD的脑电信号去噪方法

以经验模态分解(EMD)为理论基础,提出一种相似波形加权匹配的方法,对脑电信号(EEG)端点进行延拓,改善EMD分解过程中存在的端点效应,利用延拓后的EMD方法对EEG进行去噪。基于美国加州理工学院数据库中EEG的仿真结果表明,延拓后的EMD方法可有效去除EEG波形中的噪声部分,使EEG的特征更明显。     

EMD和CSP融合最优波长空间滤波脑电特征提取方法

基于经验模式分解和共空间模式,结合最优波长空间滤波,提出了三者相结合的特征提取方法。该方法首先利用经验模式分解进行分解,得到固有模态函数,选择合适的固有模态函数进行信号的重构,然后将重构的信号进行最优波长空间滤波变换,得到最优的波长选择信号,再经共空间模式投影映射,提取相应的特征向量,最后利用支持向量机进行分类。运用该方法对9位受试者进行分类结果分析,平均分类准确率在95%以上,实验表明,提出的算法具有较好的分类识别性。     

一种噪声环境的语音端点检测方法

端点检测是语音识别系统的一个重要组成,尤其是在噪声环境中,其准确性对语音识别系统性能有直接影响。提出了一种基于小波子带倒谱系数（SBC）的语音信号端点检测方法,利用小波变换对频带进行尺度划分,采用小波子带倒谱能量检测语音端点。通过与MFCC的仿真对比以及大量实验分析,小波子带倒谱特征在语音端点检测中具有更好的识别性能。     

基于EMD的太阳黑子时间序列组合预测模型

针对太阳黑子的复杂性,利用经验模态分解(EMD)方法,将太阳活动在各时间尺度上的变化分量分解为平稳的固有模态函数(IMF)分量及余项。观察各分量的频谱,根据低频IMF分量和高频IMF分量的特点,分别采用自回归滑动平均模型和神经网络方法进行预测。通过各分量的预测值,重构出原始信号的预测序列。仿真结果表明,该模型具有较高的预测精度。     

利用EMD的自适应图像去噪

为了在去噪的同时保证图像细节尽可能不被破坏,提出了利用经验模式分解（Empirical Mode Decomposition,EMD）的自适应图像去噪方法。对噪声图像按照列、行、左对角和右对角方向一维展开,分别进行EMD处理,采用提出的基于噪声标准差的自适应阈值对各个基本模式函数（Intrinsic Mode Function,IMF）进行局部硬阈值去噪,将去噪后的IMF进行反变换分别获得按照四个方向展开对应的去噪后图像,将它们加和平均得到去噪后图像。实验结果表明,提出的方法能够有效地去除图像的噪声并保留足够的图像细节。