抗噪声的小波谱压缩特征提取算法在语音识别中的应用

针对语音识别实际应用过程中的噪声问题,给出了一种新的抗噪声的特征提取算法,即先利用小波变换将语音信号进行小波子带分解,再根据人耳的听觉掩蔽效应,由谱压缩的技术,将小波变换后的子带语音信号进行压缩,从而提取其对应的语音特征。通过MATLAB软件建立实验平台,仿真实验结果表明该语音特征可以在噪声环境下得到较高的识别率。新的特征参数即充分利用了小波的抗噪声特性又有效地降低了语音识别中的训练环境和识别环境间的失配,具有抗噪声的特点。     

基于小波变换的鲁棒型特征提取及说话人识别

说话人识别系统在实际应用中面临的主要困难之一是鲁棒性问题,干净语音环境下识别率很高的说话人识别系统,在有噪语音环境下识别性能显著降低。解决这一问题的方法之一是寻找具有鲁棒性的特征参数。本文结合具有多分辨率分析特点的小波变换技术,提出一种基于小波变换的鲁棒型特征提取算法,以提高说话人识别系统在噪声环境下的识别性能。对40个说话人的语音库SUDA2002-D2,在加性高斯白噪声环境下进行的识别实验结果表明,本文提出的特征提取算法可以有效地提高说话人识别系统在噪声环境下的识别性能。     

噪声环境下语音能量的MMSE估计及其在语音识别中的应用

语音识别中,语音信号能量是一个重要的识别特征参数.在噪声环境下,语音信号能量产生的畸变是导致识别率下降的原因之一.本文依据RASTA-PLP分析的增益参数和最小均方误差估计准则,给出了带噪语音能量和干净语音信号能量的线性映射关系.在中文连续语音识别中的应用表明,利用该映射关系得到的干净语音能量估计,可使信噪比为5dB的白噪声环境下的识别正确率提高21.36%.     

加性白噪声环境下语音特征参数鲁棒性的研究

随着说话人识别技术的发展,实用有效的说话人识别系统越来越成为研究的重点.语音特征参数的鲁棒性直接影响一个说话人识别系统的具体性能,过去主要针对移动通信环境下存在信道失真的问题,研究差分倒谱的鲁棒性.文中则主要在加性白噪声环境下研究Mel倒谱参数、Mel差分倒谱参数的顽健性以及它们经过倒谱系数零均值化（CMN）处理后识别性能的改进.从仿真结果可以看出：在加性白噪声环境下,差分倒谱参数具有很好的鲁棒性;倒谱系数零均值化能有效的除去加性白噪声.     

噪声消除的DSP算法研究

随着科技的不断发展,通信系统越来越壮大.背景噪声是通信系统中噪声干扰的主要来源,它使信号变得混杂不清晰,不但降低了语音的品质和可识度,也降低了数字信号的处理能力,如语音识别信道传输和消噪等方面的性能.为了改善噪声环境下声音的质量,降低噪声变得越来越重要.阐述采用DSP技术实现单通道的语音增强系统,利用噪声相减和频谱相减来完成噪音抑制问题.     

基于数学形态滤波的话者识别系统的特征提取

重点研究在噪声环境下，话者识别中语音信号的特征提取。将能简化信号，消除较小分量而保留信号的基本特征的数学形态滤波器良好的滤波性应用在一维语音信号的处理中。并在噪声环境下，应用线性预测的MFCC特征提取方法提高鲁棒性。提取几种重要的语音特征参数，包括线性预测倒谱系数、MEL倒谱系数、语音动态参数、激励源特征等，对这些参数进行分析和比较，以达到话者识别的目的。     

具有环境自学习机制的鲁棒说话人识别算法

说话人识别系统实际应用时,一旦应用环境和训练环境不一致,系统的性能会急剧下降。由于环境噪声的多变性,系统训练时无法预测实际应用中的环境噪声。因此,引入环境自学习和自适应思想,通过改进的矢量泰勒级数(Vector Taylor Series,VTS)刻画环境噪声模型和说话人语音模型之间的统计关系,提出一种具有环境自学习能力的鲁棒说话人识别算法。系统应用中每当环境变化时利用语音输入前采集到的环境噪声信号来迭代更新环境噪声模型参数,进一步基于VTS确立的统计关系,将说话人语音模型自适应到实际应用环境来补偿环境失配的影响。说话人辨认实验结果表明,提出的方法在低信噪比条件下对于不同种类的噪声都能显著提升系统的识别性能。     

基于谱减的Robust电话语音识别方法

谱减技术是语音增强的有效方法，并被成功地应用到了车辆等环境下的Ｒｏｂｕｓｔ语音识别中。文章对将谱减技术应用到电话语音识别中的加性噪声去除上进行了尝试。实验验证该方法有利于改进电话语音识别的性能，对不特定话音８４个孤立词的实验，误识率下降了２１．８％。     

基于加权特征值补偿的说话人识别

背景噪声的存在,使得说话人识别系统的训练环境和测试环境发生失配,导致系统性能发生急剧下降。本论文提出一种加权特征值补偿算法,把由噪声引起的使带噪语音信号特征值与纯净语音特征值发生偏差的部分去除,从而使进入识别器的特征值接近纯净语音的特征值。在特征值补偿过程中引入了信噪比加权的方法。实验表明,这种方法能够有效的提高说话人识别系统的性能。     

语音编码技术进展

语音编码技术进展樊昌信一、语音编码的目的和应用语音编码是将模拟语音信号数字化的手段。语音信号数字化后，可以作为数字数据来传输、存储或处理，因而具有一般数字信号的优点。在实际应用中，这些优点是很重要的。１．数字语音信号在经过信道传输时，信道引入的噪声和...     

衰落环境中数字调制识别仿真研究

调制方式的识别对于通信信号分析有着重要的作用。在现有有关调制识别的研究中,大部分都考虑的是加性高斯白噪声理想信道（AWGN）。文中通过仿真分析A．K．Nandi和E．E．Azzouz提出的数字调制识别算法（DMRAs）在衰落信道中的性能,详细研究了衰落信道特性对调制识别的影响。最后,得出了一些具有规律性的结论,对进一步深入研究衰落信道中调制识别技术具有一定的指导意义。     

基于同步时间扩展处理的信道编码

对信号在时间域上进行扩展,使符号的持续时间增加,可以有效增强信号抗时间选择性衰落,特别是平坦性衰落的能力。理论分析表明通过同步时间扩展处理,时间选择性衰落可以被克服,衰落信道成为类加性白噪声信道。将时间扩展作为信道预编码处理技术,信道编码只需在加性白噪声环境下设计,这将减化信道编码设计和实现的复杂性,提高通信系统的可靠性。计算机仿真表明同步时间扩展作为信道预编码技术可以有效改善编码特性。     

分布式语音识别的前端处理及相关标准

语音识别在实际应用中受到信道噪声和便携终端计算、存储能力不足等因素制约。分布式语音识别（DSR）不仅解决了上述的问题，还有占用带宽窄、综合成本低等优点，但其应用的前提是提取的参数必须标准化。文中介绍了分布式语音识别前端处理的基本结构以及相关标准。     

一种新的软件无线电信号调制识别技术

本文介绍了一种新的软件无线电信号调制识别技术,该技术采用一种改进的模式识别算法,在通用处理器 (GPP)上实现了软件无线电的实时性,并且稳健性好、效率高。试验表明在SNR=9dB的加性高斯白噪声(AWGN)ISI 信道中,能够实现对BPSK、QPSK和GMSK的正确识别。     

瑞利衰落信道下MPSK信号调制方式识别

调制识别是非协作通信系统接收机设计中的重要研究课题。在实际环境中,噪声和信道衰落是影响信号调制方式识别的重要因素。针对瑞利衰落信道上MPSK较难识别的情况,提了基于似然比的识别算法,并根据最大似然准则对瑞利信道的参数进行了估计完成对2种调制信号的识别。仿真结果表明:在存在高斯白噪声的瑞利衰落信道的环境下,以BPSK和QPSK为例,正确识别率达到90%。     

TCM正交序列扩频多址通信系统性能分析

将纠错技术与扩频相结合，是进一步提高扩频多址通信系统性能的重要手段之一。本文研究了在正交码扩频通信系统中，应用ＴＣＭ（网格编码调制）的原理，通过对信号集的扩展和分割，使发送信号序列间的最小欧氏距离得以增加，性能分析和计算机模拟表明，在存在加性高斯白噪声和多址干扰的信道环境中，扩频通信系统的性能得到了显著的提高。     

一种用于抗噪语音识别的动态参数补偿新方法

模型补偿技术已成功应用到噪声环境下的语音识别任务中。流行的模型补偿技术如Log-Add和Log-Normal PMC（并行模型合并）方法对动态特征参数通常只能给出近似的补偿。因此他们的识别率在较低的信噪比条件下变得很低。本文利用静态特征的导函数推导出了一种新的动态模型参数补偿方法。新的方法可以同任何已知的静态模型补偿算法结合产生出新的用于识别的噪声语音模型。实验证明这一新算法的应用,使其识别率比仅使用原有的模型补偿算法有较为明显的提高,并且新算法的复杂度较原有的模型补偿算法只有轻微的增加。     

基于非负约束矩阵分解的语音增强算法研究

从噪声背景中提取尽可能纯净的语音信号，增强有用信号，抑制、降低噪声干扰的技术称为语音增强技术。语音增强有着广泛的应用，因此寻求一种有效的算法对带噪语音信号进行处理得到较纯净的原始语音信号的研究有着很大的意义。多年来很多经典的语音增强算法被提出，如谱减算法，子空间算法等。文章提出了一种新颖的语音增强方法，即基于非负低秩稀疏分解的原理在强噪声环境下实现语音增强。把语音信号和噪声信号看做是一个非负低秩稀疏分解问题并且不断的优化算法分离出语音信号和噪声信号的幅度谱。实验结果表明在强噪声环境下这种方法对比一些传统的语音增强方法效果更好，具有更少的噪声残余与较低的语音失真等优点     

噪声环境下网络社区说话人识别技术研究

语音识别技术在安静的环境中已经达到非常高的准确率,但在现实环境中由于各种不同噪声的混入使得语音识别的准确率显著下降,因而在强噪声环境下的语音识别技术的研究有重要意义.噪声环境下语音识别主要包括语音预处理、特征提取、语音增强.本文将从这几部分展开论述.     

基于GARCH模型的改进的倒谱域特征参数补偿算法

本文提出了一种改进的倒谱域特征参数补偿算法GMCSM。根据语音信号的时变特性,GMCSM算法使用广义自回归条件异方差(Generalized Auto-Regressive Conditional Heteroscedasticity,GARCH)模型对语音信号的方差进行建模。实验数据表明,与常规倒谱相减法CSM和MEMCSM相比,GMCSM能够更有效地补偿因加性噪声引起的倒谱特征参数失真,减少识别的错误率,特别是在信噪比较低的情况下,GMCSM的性能更为显著。