低信噪比下的语音端点检测算法研究

为了解决传统方法在强噪声环境下,语音检测性能急剧下降的缺陷,提高信号在低信噪比(0 db以下)语音端点检测的准确性,本文提出了一种将多窗谱估计谱减法和自适应子带能熵比相结合的检测算法.该算法利用增益因子可变的多窗谱估计谱减法对低信噪比信号进行降噪,提高其信号的信噪比,再将每帧信号分为若干个子带(其数量可自适应选择),提取每个子带能熵比参数进行端点检测.实验结果表明,当信噪比为-10 db时,信号检测准确性维持在95％左右.该方法能在低信噪比情况下,显著提高端点检测准确性和可靠性.     

一种复杂噪声环境下的语音端点检测方法

噪声环境下的语音端点检测在语音识别系统中占有十分重要的位置。为了提高端点检测的鲁棒性和实时性,本文提出了一种延迟分割策略：以能频比为特征参数确定粗端点,并在此基础上使用排列熵算法确定精确端点,以精确端点为起始点分割语音信号,对所得到的语音片段信号按照分类标准消除噪声信号带来的错误分割。在TIMIT连续语音库与NOISEX-92标准噪声库上的实验表明,文中提出的方法比基于常规的基于零能与谱熵的方法有更好的检测效果,特别是在低信噪比的情况下,效果尤为突出。同时由于排列熵算法的简单易实现,算法的实时性表现非常好,能够为嵌入式移动通信设备提供精确快速的语音端点检测技术。     

语音端点检测中能零比方法的改进

传统的基于语音信号短时能量与短时过零率之比的单参数双门限端点检测方法对高信噪比的语音信号能实现较好的检测,而在低信噪比的情况下检测正确率却很低。本文在研究了语音信号的非线性分析方法后,提出了一种改进的端点检测方法。首先,对分帧加窗后的每一帧带噪语音信号进行经验模态分解求其短时Teager能量;然后,求每一帧的短时过零率,平滑处理之后进行归一化;最后,求出短时Teager能量与归一化短时过零率之比用于端点检测。经过仿真实验证明,本文提出的改进方法能够在低信噪比的带噪环境下实现比传统能零比方法更好的端点检测效果。     

一种基于倒谱均值减的语音端点检测改进方法

端点检测是语音识别理论研究中的关键技术之一,为了提高语音端点检测方法的抗噪性和准确性,引入倒谱均值减(Cepstral Mean Subtraction,CMS)设计一种新的语音端点检测方法.在传统倒谱均值减算法的基础上,采用隐马尔可夫模型(Hidden Markov Model,HMM)提取最佳特征子集,利用二次分类...     

基于负熵的语音端点检测算法

在熵的基础上,引入数学上的负熵,并提出一种基于负熵特征的语音端点检测算法.算法利用平稳噪声的长时平稳特性,并通过合理假设,从噪声幅度谱中提取隐藏的高斯随机信息,在此信息基础上应用近似负熵算法构造负熵特征.与熵特征不同处在于,对平稳噪声负熵特征值趋近于零,并且与噪声信号幅度无关,基于这两种特性可以利用噪声的先验统计信息预先设定阈值,构造鲁棒性能较高的语音端点检测算法.实验表明,即使在噪声信号类型、幅度、信噪比改变或者无法正确的获取噪声后验信息的情况下,新算法依然能够保持较高的噪声检测正确率.     

改进的基于多特征的语音端点检测方法

噪声环境是语音识别性能下降的原因之一,端点检测作为其关键技术,其性能优劣在某种程度上决定了识别率的高低。提出一种改进的基于倒谱特征的带噪端点检测方法。在传统基于倒谱距离的算法上综合利用短时过零率和短时能量多特征作为最终判决的门限。实验结果表明,该方法计算效率较高,低信噪比下有较好的检测性能。     

航空噪声背景下的语音端点检测和语音增强

依据航空噪声的频谱特性,分析了利用频域短时能量进行语音端点检测的方法,通过前向和后向语音能量的判别,增加过渡帧来保证语音所表达的语意的连续和完整。对谱减法做进一步改进,以能量为基础对过渡帧进行细分,对语音帧、过渡帧、噪声帧分别进行不同的处理,从而克服了令人厌烦的音乐噪声,在强航空噪声背景下,处理后的语音不仅信噪比得到了很大的提高,而且清晰度和可懂度也得到了很大的改善。这种方法运算简单,具有很好的应用前景。     

一种基于谱熵的语音端点检测方法

在低信噪比环境下,为了提高语音端点检测的效果,提出了一种适应于低信噪比环境的语音端点检测方法。基于子带谱熵法,引入正参数对基本的谱熵法进行算法改进,得到改进后的子带谱熵法,通过增加预判环节选择合适的正参数,加大语音信号与噪声信号的区分度,进一步改善在低信噪比环境下算法的效果,得到新的语音端点检测算法。仿真实验表明,新的算法不仅快速高效,具有较强鲁棒性,而且适合在低信噪比环境中较准确的检测出语音端点。     

语音信号端点检测的程序实现

在孤立字识别中,精确地判别语言信号的起始点和终止点是相当重要的。确定出语音信号范围的方案可以用来减少大量非实时系统的计算和提高识别精确度。本文在利用语音的某些特征参数——短时平均幅度或能量和短时平均过零率的基础上,提出了利用上述特征参数进行语音端点检测的IBM/PC机实现程序。     

一种改进的基于经验模态分解的小波阈值滤波方法

经验模态分解是一种新的信号分解方法,该方法可将非线性非平稳信号分解成若干个单分量的本征模态函数,使得每个本征模态函数都具有一定的物理意义。本文探索了该方法在语音增强方面的应用.在文献[8]的基础上,对其方法进行了有效改进。首先将带噪语音进行经验模态分解,得到六个本征模态函数和一个余量信号,对这七个信号分别进行小波阈值滤波,并由滤波后的七个信号重构语音。结果表明,该方法的滤波效果明显优于对带噪语音直接采用小波阈值滤波的方法,并且较之文献[8]的滤波方法也具有一定的优势。     

语音增强算法及进展

以时间顺序对语音增强算法进行了梳理,将其分为传统算法和新型算法.传统算法为早期形成的经典算法,如谱减法、维纳滤波法、自适应滤波法等.其特征是发展已趋于成熟,常结合其他的算法形成变体以提高增强效果;新型算法为近期发展中的潜力较大的热门算法,如基于小波变换、基于经验模态分解的语音增强算法等,其特点是弥补了传统算法的一些不足并在应用方面更为灵活,对非平稳的语音信号具有更强的自适应性.最后,在对各算法归纳分析的基础上,探讨了语音增强算法的发展趋势.     

基于EMD的海杂波特性与目标检测

非线性非平稳是海杂波的重要特性之一,希尔伯特-黄变换（HHT）是一种全新的非线性非平稳信号的分析方法。含有目标的雷达信号在希尔伯特-黄变换过程中经过经验模式分解（EMD）后,其趋势分量及部分固有模态函数分量与海杂波的具有明显的区别。利用这种区别,本文提出一种海杂波环境下的目标检测新方法——趋势检测法,通过实测海杂波计算验证,该方法能够明显改善淹没于海杂波中的慢速小目标检测能力。     

基于HHT和OSF的复杂环境语音端点检测

希尔伯特-黄变换是一种全数据驱动的自适应非平稳信号时频分析方法,但是在强噪声环境下语音信号的希尔伯特能量谱曲线波动较大,对语音端点检测造成很大的影响,该文提出了一种基于希尔伯特-黄变换和顺序统计滤波的检测方法。该方法将含噪语音信号进行经验模态分解,通过对固有模态函数进行自适应权重选取获得信号的希尔伯特能量谱,利用顺序统计滤波器对每帧的能量谱进行平滑处理作为语音/非语音的鉴别特征。实验结果表明,该方法适用于复杂噪声环境的端点检测,在低信噪比情况下仍然能够有效地检测出语音信号,降低信号误检率。     

基于改进EEMD的穿墙雷达动目标微多普勒特性分析

穿墙雷达动目标探测中人的心跳、呼吸、手臂摆动等运动的微多普勒信号是非线性、非平稳信号,可以采用经验模式分解(EMD)对其进行时频分析。由于EMD分解存在模式混合问题,该文提出一种改进的整体平均经验模式分解(EEMD)方法,并将其应用于穿墙雷达人的运动微多普勒特性分析中,并且对分解后的每个本征模式函数(IMF)进行Hilbert-Huang变换(HHT),得到信号的时间-频率-能量谱。仿真数据和实验结果分析均表明,改进的EEMD方法不仅能够有效消除EMD中的模式混合问题,将人运动微多普勒信号中的不同频率尺度分解在不同的IMF中,而且还能够有效抑制原始信号中的噪声,提高信噪比,得到更精细、更清晰的时频分布。     

EMD分解区域的数据研究

本文介绍了一种新的非线性、非平稳信号的处理方法—HHT方法,并运用此方法对地震波进行了理论分析,详细研究了其中的EMD方法及其实现过程;通过大量的数据分析,总结了这一方法的优越性,指出其具有良好筛分及不可良好筛分的适用数值范围,并总结了其中蕴涵的规律。当组合简谐波的频率固定,A2/A1很小,超过某一限值时;或者A2/A1很大,超过某一限值时,数据值不能用EMD方法进行筛分。当组合简谐波的幅值比A2/A1固定不变,而频率变化时,当f2/f1很小时,如超过某一限值;或者f2很接近f1,f2/f1超过某一限值时,数据y值不能用EMD方法进行筛分。      

基于高阶统计方法改进的自适应多速率话音激活检测算法

该文提出了基于高阶统计方法改进的自适应多速率话音激活检测算法,该算法可应用于第三代移动通信系统。实验证明:这种算法可以有效检测实际移动通信环境中高斯或非高斯对称分布的背景噪声。     

基于EMD拟合特征的耳语音端点检测

耳语音作为人类发音的一种特殊形式,与正常语音相比具有信噪比低、元音的周期特征不明显等特性,因而耳语音处理比正常语音更为困难。耳语音处理研究的第1个关键步骤就是语音的端点检测,该文利用希尔伯特-黄变换(Hilbert-Huang Transform, HHT)中的经验模态分解(Empirical Mode Decomposition, EMD),首次提出了一种基于EMD拟合特征的耳语音端点检测新方法。利用EMD得到的内禀模态函数(Intrinsic Mode Function, IMF)能量,以其归一化拟合参数为耳语音端点检测的特征,可以准确地划分出耳语音端点。实验表明,该方法在耳语音端点检测中取得了很好的效果,在1200个信噪比为2～10dB的测试样本中,检测准确率为98.25%。     

信号采样率对经验模态分解的影响研究

为更合理和准确的应用经验模态分解EMD方法,我们通过数值实验全面的研究了不同采样率对EMD的影响。结果表明采样率从两个方面影响经验模态分解,其一是由于离散化带来的非对准,导致的信号非对称从而给本征模态函数的提取带来的能量泄漏,其二为过高的归一化频率带来信号表达的粗糙化而引起的分解结果的正交性降低。实验结果也表明:较为理想的EMD应用环境应该为采样频率大于4倍的Nyqvist频率,而应用EMD的最低要求应该是:采样频率大于2倍的Nyqvist频率。该结果将对EMD方法的工程应用有着重要的指导意义!     

加权系数平均法改进的小波域LMMSE信道估计算法

针对传统LMMSE算法需要知道信道特性的问题,提出了一种加权系数平均法改进的小波域LMMSE信道估计算法.运用离散小波变换对LS初始估计和预滤波处理后的信号实行阈值量化去噪处理,然后结合时域信道能量分布的稀疏性特征,利用加权系数平均法求出各子载波的频域响应,从而克服了传统LMMSE算法需要预先知晓信道统计特性的缺陷.对算法的BER和MSE性能进行实验仿真,结果表明:文中所提改进算法的信道估计整体性能显然会更优于LS、SVD-LMMSE以及加权平均改进后的LMMSE算法.另外,在信噪比较低且信道统计特性未可知的状况下,文中算法要优于传统的LMMSE算法,并能够较好地降低噪声的影响,有效提升信道估计的精确度.