基于单边自相关序列的语音特征及其在带噪语音识别中的应用

提出了一种抗噪声语音特征。首先计算语音信号单边自相关序列的差分序列,再计算该差分序列的线性预测系数,进一步求出例说系数。实验证明,传统的线性预测例谱系数和边自相关序列的一性预测倒谱数相比,采用单边自相关序列差分序列的线性预测倒谱系数作为语音信号的特征矢量,可以提高语音识别系统对带噪音语音的识别率。     

一种基于调制谱特征的带噪语音识别方法

在语音识别过程中,提取语音特征参数是重要的步骤之一。为了提高整个识别系统的性能,要求所选语音参数应具有较好的鲁棒性。文章在时频分析理论基础上,设计了一种基于语音调制谱的特征参数。这种参数利用了语音调制谱的时频集聚性并通过对语音调制谱作适当的滤波及归一化处理以削弱其对加性噪声和通道失真等干扰的敏感性。实验结果表明,该参数在提高语音识别系统的的抗噪性方面有明显的贡献。     

基于差分过零峰值幅度特征的抗噪语音识别

针对多数语音识别系统在噪音环境下性能急剧下降的问题,提出了一种新的语音识别特征提取方法。该方法是建立在听觉模型的基础上,通过组合语音信号和其差分信号的上升过零率获得频率信息,通过峰值检测和非线性幅度加权来获取强度信息,二者组合在一起,得到输出语音特征,再分别用BP神经网络和HMM进行训练和识别。仿真实现了不同信噪比下不依赖人的50词的语音识别,给出了识别的结果,证明了组合差分信息的过零与峰值幅度特征具有较强的抗噪声性能。     

语音识别技术和应用

一、一般概念 语音识别的终极目标就是研制出一台能听懂任何人、任何内容的讲话的机器。很显然目前的技术水平还难以使得计算机与人类之间的语音交流变得和人与人之间的对话那么自如、方便。甚至曾有专家比喻其难度要超过“人类登上月球”!我们今天进行这一领域的研究与开拓就是要让语音识别技术走入人们的日常生活当中,并不断朝着最高目标而努力。 1.语音识别系统的分类 语音识别系统会有不同的系统设计和实现,因而会有不同的应用范围及限制。现在举出几个比较重要的不同的操作方式,及其可能的应用范围。     

带噪汉语语音识别的端点检测方法

在语音识别系统中产生错误识别的原因之一是端点检测有误差，在高信噪比情况下，正确地确定语音的端点并不困难，然而，大多数实际的语音识别系统需工作在低信噪比情况下，一些常规的端点检测方法，例如基于能量的端点检测方法在噪声环境下不能有效地工作。该文利用改进的隐马尔柯夫模型(HMM)进行语音检测以适应噪声的变化，实验结果表明本方法可得到高正确率的带噪语音端点检测。     

MP稀疏分解快速算法及其在语音识别中的应用

提出一种新的基于Matching Pursuit（MP）的语音信号稀疏分解算法。在对语音信号稀疏分解中使用的过完备原子库进行划分的基础上,将内积运算转换成互相关运算,并结合语音信号与原子是实的特性,利用Fast Hartley Transform（FHT）快速实现互相关运算。从而比利用FFT实现基于MP的信号稀疏分解节省一半的存储空间,提高分解速度约24.8%。此外,应用改进后的算法对语音信号进行特征提取,并结合语音信号的美尔（Mel）频率倒谱参数一起作为该信号的特征向量,通过Support Vector Machine（SVM）进行识别,最后通过实验验证了方法的有效性。     

语音识别技术展望

<正> 自从ENIAC问世之后,立即有人想到要让计算机听懂人说话,并开始了这方面的研究工作。所以说,语音识别的研究历史与计算机的发展历史一样长。计算机的发展已历经了从电子管到晶体管以至超大规模集成电路的好几代,单单微机的CPU就从早期的4004发展到今天的奔腾三代,涌入了普通家庭,已与我们的数字化生活密不可分。但是,与计算机同步发展的语音识别技术似乎并不遵循摩尔规律,它的产品也迟迟未能进入市场。时至今日,语音技术产品的市场日益升温,语音识别技术已经成为计算机进一步在亿万百姓中普及的关键技术,也必将成为信息产业的标志性技术和未来计算机的重要特征。     

Laguerre滤波器在抗噪语音识别特征提取中的应用

为克服FIR滤波器存在的通阻带特性差、滤波器阶次高等缺点给语音识别系统带来的不利影响,采用Laguerre滤波器组代替过零峰值幅度特征提取中使用的FIR滤波器组进行前端处理。在仔细研究FIR滤波器参数确定方法的基础上,叙述了Laguerre滤波器原理及参数计算方法,并给出了计算结果。孤立词、非特定人语音识别实验结果表明,使用Laguerre滤波器不仅使识别系统抗噪性能优于使用FIR滤波器,而且滤波器阶数也大为下降。     

基于DSP的语音识别在智能楼宇系统中的应用

随着DSP技术的发展,中小词汇量连续语音的实时识别已经被广泛应用到日常生活中,本文提出了一种基于TMS320VC5410的小词汇量的语音识别实时系统,对以TMS320VC5410为核心的系统硬件设计进行了研究,阐述了系统的结构。文章分析了系统的工作过程,引用已有的算法进行软件系统设计,软件模块包括预处理、端点检测、特征提取、模式匹配等。最后把此系统应用到智能楼宇系统中去,实现了对智能楼宇更加及时、方便的控制。     

基于轨迹的时空光谱特征语音情感识别算法

语音识别领域的发展日新月异.同时,现有的研究结果表明声学特性集中存在较多的互补信息.本文提出了一种基于轨迹的空间-时间谱特语音情感识别方法.其核心思想是从语音频谱图中获得空间和时间上的描述符,进行分类和维度情感识别.本方法采用了穷举特征提取的实验表明：与MFCCs和基频等特征提取方法相比,提出的方法在噪声条件下,更具鲁棒性.通过在4类情感识别实验中获得了可比较的非加权平均回馈,得到了较为准确的结果,语音激活检测方面也具有显著的改进.     

多数据流子带噪声语音识别方法

提出一种噪声下的多数据流子带语音识别方法。传统的子带特征方法虽然能提高噪声下的语音识别性能,但通常会使无噪声情况下的识别性能下降。新方法提取感知线性预测(PLP)特征和子带特征,分别进行识别,然后在识别概率层将两者相结合。通过E-Set在NoiseX92下的白噪声的识别实验表明,新方法不仅具有更好的抗噪性能,而且同时能提高无噪声情况下的识别性能。     

稳健语音识别技术研究

文章在简单叙述稳健语音识别技术产生的背景后,着重介绍了现阶段国内外有关稳健语音识别的主要技术、研究现状及未来发展方向。首先简述了引起语音质量恶化、影响语音识别系统稳健性的干扰源。然后介绍了抗噪语音特征的提取、声学预处理、麦克风阵列及基于人耳的听觉处理等技术路线及发展现状。最后讨论了稳健语音识别技术未来的发展方向。     

基于Java Speech API规范的语音识别引擎的实现

本文介绍了Java Speech API(JSAPI)规范的语音识别引擎的系统框架，描述了采用已有的C／C 识别引擎实现JSAPI语音识别引擎的思路和实现策略，提出并分析了以事件处理和状态处理为核心来实现JSAPI规范的具体方法，完成了基于JSAPI规范的语音识别软件系统的实现。     

基于语音增强失真补偿的抗噪声语音识别技术

本文提出了一种基于语音增强失真补偿的抗噪声语音识别算法。在前端,语音增强有效地抑制背景噪声;语音增强带来的频谱失真和剩余噪声是对语音识别不利的因素,其影响将通过识别阶段的并行模型合并或特征提取阶段的倒谱均值归一化得到补偿。实验结果表明,此算法能够在非常宽的信噪比范围内显著的提高语音识别系统在噪声环境下的识别精度,在低信噪比情况下的效果尤其明显,如对-5dB的白噪声,相对于基线识别器,该算法可使误识率下降67.4%。     

一种多层子带的噪声语音识别新方法

根据不同尺度子带特征反映语音的不同细节特性，提出一种噪声下的多层子带（MLS）语音识别方法。将语音频谱分成多层多个子带，首先各子带分另单独进行识别，然后将各层各子带识别概率综合起来得到最终识别结果。将新方法应用于TIMIT数据饣E-Set在NoiseX92白噪声和F16噪声下识别实验。实验结果表明，多层子带方法在噪声环境和无噪情况下识别性能都有很大提高。     

基于EMG信号的无声语音识别应用及实现

提出了基于肌电信号（EMG）的无声语音识别系统。由于该系统是通过EMG信号而非声音信号进行识别,因此可应用于高噪声环境和帮助失去发音能力的人实现无声交流,有着良好的应用前景。关于该系统的实现,提出了以下方法：实验时使用0—9十个中文数字,由受试者不发声地重复说出,从三块面部肌肉采集EMG信号;对EMG信号进行小波变换,获取变换系数矩阵后提取其能量值,构造特征矢量送入BP神经网络分类器分类。实验表明,基于小波变换的特征提取方法是一种有效的方法．适用于类似EMC信号的非平稳生理信号。     

计算机语言识别技术应用的探究

在科技高速发展的今天,计算机从多方面帮助人们拓宽视野,丰富知识,增加接触新事物的途径。因此,计算机在生活和工作中占有的地位越来越重要,它已经成为工作和学习中不可或缺的一部分。如今,为了国家实力的不断增强,各个国家都在计算机技术方面进行了大量的投入。为了计算机技术能够更好地造福人类,应该大力推动计算机语言识别技术的发展,让计算机能够更好地造福人类,造福社会。