汉语语音基音轨迹的层叠滤波和平滑

为了获得更加精确的汉语语音基音周期轨迹,研究了对汉语语音的基音周期轨迹进行层叠滤波和平滑的方法.基音是指发浊音时声带振动所引起的周期性,而声带振动频率的倒数就是基音周期.语音信号处理中精确提取特定语音的基音周期有重要的意义,基音周期的检测无论在语音信号的合成、编码还是识别方面,都起着非常重要的作用.本文依据数字语音信号的特点,设计了一种用于语音处理的层叠滤波算法,合理选择结构元素构筑了一组用于汉语语音基音轨迹平滑的层叠滤波器,仿真实验结果表明这种方法对于随机误判点与传统的基于中值与线性平滑的组合平滑相比效果更佳,同时也证明了层叠滤波器用于语音信号研究的可行性.     

一种基音提取算法

根据基音周期平滑变化的特点,基于语音信号的准周期性进行了语音信号的基音提取。该算法主要针对多带激励模型（ＭＢＥ）,采用传统的时域分析法,先用语音信号的相关性进行基音周期的估计,再由分数延迟法提取基音周期,使预测结果更加准确,更具实时性,有利于语音编码与识别。     

EMD模态混叠消除及其在语音基音提取中的应用研究

针对信号固有奇异模态对EMD筛选构成模态混叠的问题,在提取语音浊音信号的基音成分的分析方法中,用FIR低通滤波器对信号进行预处理,使随后进行的EMD处理筛选出有物理意义的模式分量,即浊音的基音成分.并利用H ilbert变换得到了基音的时频、时能分布图.     

基于语音分组的基音周期检测方法

针对语音信号的特点,清音和浊音,清音没有明显的周期性,它类似于高斯白噪声,浊音具有周期性的特征,并且浊音的基音周期只有准周期的特点,另外语音信号是非线性时变的信号,只能采用短时平均方法估计基音周期。针对这些特点,本文对处理的语音信号按照频率进行分组,分组后再进行基音周期的提取,减少了处理的复杂度和增加了准确率。     

基于小波变换的语音信号基音周期估计

基音周期是语音信号最重要的参数之一，是进行语音信号数字处理的基础。小波变换具有良好的时频分辨率，为语音信号基音周期提取提供了新的途径。基于小波变换及其多尺度边缘检测的基本特性，阐述了语音信号基音周期估计的原理、实现方法、算法流程；并给出了实验结果。实验表明：该方法可以实现大动态范围的语音信号基音周期估计计算，并可获得满足实用的较为精确的结果。     

一种实时基音检测算法

针对目前基音周期检测实时性的要求,提出了一种基于小波变换的语音基音周期实时检测算法.该算法在提取小波系数极大值过程中利用了小波变换极值与信号突变点之间的关系,将小波域波形与时域波形相结合,采取每次搜索以前一个小波系数极值点作为新的基准的自适应基准方式,并利用了平均能量、过零率、历史峰值幅度、当前峰值估计等多特征参数.实验结果表明,该算法在2.5 ms时间内可以准确捕捉并检测到新的基音脉冲位置,而且对语音和残差信号均取得了较好的结果.     

一种实时基音检测算法

针对目前基音周期检测实时性的要求,提出了一种基于小波变换的语音基音周期实时检测算法,该算法在提取小波系数极大值过程中利用了小波变换极值与信号突变点之间的关系,将小波域波形与时域波形相结合,采取每次搜索以前一个小波系数极值点作为新的基准的自适应基准方式,并利用了平均能量、过零率、历史峰值幅度、当前峰值估计等多特征参数．实验结果表明,该算法在2.5ms时间内可以准确捕捉并检测到新的基音脉冲位置,而且对语音和残差信号均取得了较好的结果。     

基于FFT-ACF和候选值估计的基音周期提取方法

利用FFT-ACF算法进行基音周期候选值估计,减少在语音基音周期提取中常见的倍频和半频错误,提出针对候选值的多重后处理算法.后处理过程:首先运用峰值筛选法进行初选,接着利用一次均值法将语音分为不同的音高段,再使用二次均值法为每个音高段确定合适的频率范围,最后精确提取出基音周期.实验结果表明,基音周期后处理算法有效,在音乐哼唱识别应用中收到良好效果.     

基于MBE模型的基音周期估计算法改进

多带激励(multibandexcitation,MBE)模型是低速率语音编码中最为成功的模型之一,基音周期是MBE模型中的重要参数。基于MBE模型,首先研究了语音信号的基音周期估计算法,包括语音信号预处理、基音周期粗搜索与细搜索;然后,在此基础上,针对基音粗搜索中可能出现的基音周期加倍或减倍现象及细搜索过程中运算量过大等问题,提出了相应的动态规划平滑和细搜索改进算法,从而使基于MBE模型的基音估计算法更具实用性。     

用于滚动轴承转频估计的EMD软阈值降噪算法

针对经验模式分解(EMD)互相关系数-峭度准则降噪方法与小波阈值降噪方法的不足,提出EMD与小波软阈值降噪相结合的降噪方法.该方法主要包括以下4部分:1)对原始信号进行EMD分解得到固有模态函数(IMF)的集合;2)计算各个IMF与原始信号的互相关系数以及各IMF的峭度值;3)利用互相关系数-峭度准则选择需要降噪的IMF以及需要剔除的IMF;4)对选定的IMF进行阈值降噪后与剩余的IMF相加重构信号.利用仿真和实测的故障轴承信号对所提出算法以及EMD互相关系数-峭度准则降噪方法进行对比验证.结果表明:采用EMD软阈值降噪方法比采用EMD互相关系数-峭度准则降噪方法对信号进行预处理,更能确保轴承振动信号的完整性,突出信号的故障特征,降低瞬时转频估计的误差.     

Speech-stream detection in short-wave channel based on empirical mode decomposition and higher-order statistics

To capture the presence of speech embedded in nonspeech events and background noise in short-wave non-cooperative communication,an algorithm for speech-stream detection in noisy environments is presented based on Empirical Mode Decomposition (EMD) and statistical properties of higher-order cumulants of speech signals.With the EMD,the noise signals can be decomposed into different numbers of IMFs.Then,the fourth-order cumulant (FOC) can be used to extract the desired feature of statistical properties for IMF components.Since the higher-order cumulants are blind for Gaussian signals,the proposed method is especially effective regarding the problem of speech-stream detection,where the speech signal is distorted by Gaussian noise.With the self-adaptive decomposition by EMD,the proposed method can also work well for non-Gaussian noise.The experiments show that the proposed algorithm can suppress different noise types with different SNRs,and the algorithm is robust in real signal tests.     

经验模态分解在电力绝缘气体SF6红外光谱去噪中的应用

经验模态分解(EMD)是以信号极值特征尺度为度量的时空滤波器,它充分保留了信号本身的非线性和非平稳特征,在信号去噪中具有较大的优势。本文以电力绝缘气体SF6为研究对象,在介绍E MD分解方法的基础上,首先对含噪的SF6光谱信号做EMD分解,得到各阶本征模态函数(IMF),然后对高频的IMF分量用阈值法进行处理,把经过阈值处理后的高频I MF分量与低频IMF分量叠加重构得到去噪后的信号。分析了在不同噪声水平上与小波阈值去噪方法的处理效果。实验结果表明EMD阈值去噪法有效地去除了噪声,较好地保留了光谱的细节信息,与小波阈值去噪方法相比较具有自适应的优势。     

基于多层次相似性检测机制的语音基频实时估计算法

基音周期的确定是语音处理领域中的一个尚未完全解决的基本问题。传统的基于自相关函数的估计基音周期的方法过于粗糙 ,而那些准确性高的方法计算太复杂 ,不适用于实时要求高的场合。为了兼顾准确性与实时性 ,提出了一种基于多层次相似性检测机制的语音基频估计算法 ,该算法具有实时性好、易于硬件实现的特点。     

一种自适应时移与阈值的DCT语音增强算法

针对现有语音增强方法在低信噪比下性能降低的问题,提出了一种自适应时移与阈值的离散余弦变换语音增强算法．首先,对软阈值函数进行改进,既能消除噪声主导帧中的噪声,也能消除语音主导帧中的噪声,并依据信噪比自适应地选择阈值,较大程度地保留了语音的原始特征．其次,依据基音周期自适应地选择分析窗时移,降低了固定分析窗时移产生的白噪声,并且引入短时自相关函数和短时平均幅度差函数相结合的加权自相关函数,来进行基音周期的检测,提高了基音周期检测的准确性和对噪声的鲁棒性．理论分析与仿真结果表明,该算法在信噪比低至-5dB噪声环境下,相比现有的经验模态分解算法和子空间算法,输出信噪比有较大提高,鲁棒性更好．     

基于小波变换和归一化自相关的基音检测算法

通过对小波变换的多分辨率分析和抗噪特性的研究,提出了一种基于小波变换和归一化自相关的基音周期检测算法。该算法能精确地从含噪语音中分离出包含基音信息的低频子带信号,并且对基音周期的突变能够很好地纠正。实验表明:该算法要优于现有的自相关基音检测算法,具有较高的精度、可靠性和抗噪性。     

基于EMD的激光超声信号去噪方法

基于连续均方误差的准则,提出了一种基于经验模态分解(EMD)的激光超声信号去噪方法.该方法将经验模态分解得到的固有模态函数(IMF)分为信号分量起主导作用,模态与噪声分量起主导作用模态,利用反映信号主要结构的模态对信号进行部分重建实现去噪.将该方法应用于测试信号与实际激光超声信号的去噪,实验结果表明该方法能够有效地去除噪声,并且不受主观参数的影响,具有自适应的特点.     

基于EMD的绝缘子泄漏电流去除噪声研究

针对绝缘子泄漏电流信号在安全区阶段信噪比较低,传统去噪方法去噪效果不佳的问题,结合经验模态分解(Empirical Mode Decomposition,EMD)的特点,设计了基于白噪声统计特性的EMD滤波器和EMD阈值滤波器。利用设计的两种EMD滤波方法对泄漏电流信号的仿真模型进行去噪,从除噪后信号的波形形状和信噪比等方面对去噪效果进行评价。研究表明EMD去噪方法去噪性能优于小波去噪。同时还发现,针对不同信噪比的含噪信号,基于白噪声统计特性的EMD去噪和EMD阈值去噪各具有优势,可根据信噪比的不同,选取最适合的滤波方法。     

小波包消噪提高小波网络故障识别性能

针对强噪声背景的高频振动信号,给出一种利用小波包消噪和频带分割技术,根据信号能量在小波包空间的分布特性,提取故障信号特征信息的方法．在小波包空间自适应软阈值去噪,消除白噪声;运用频带分割消除有色噪声,计算各子空间的能量,抽取低维特征矢量,作为小波网络的输入．该方法既提高了小波包神经网络的故障识别性能,又简化了决策网络结构,提高了收敛速度．