小波变换在语音识别中的应用研究

将小波变换用于语音信号的消噪、信号压缩,利用小波变换对压缩的信号进行重构是小波变换的一些典型应用,从中可以看出小波变换在分析信号跳变时的优势,并为小波分析用于语音信号的进一步处理打下基础。     

语音端点检测方法的分析与实现

本文在研究短时能量和短时过零率两种语音端点检测基本算法的基础上,编程实现了双门限的端点检测;并进一步根据小波变换的原理,利用小波变换和信号频域统计特性来精确地进行端点检测;最后,在研究了倒谱的相关理论基础上,实现了将语音数据进行倒谱变换,通过计算倒谱距离,在具有一定背景噪声环境下进行端点检测的实验.     

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。     

基于Hilbert-Huang变换理论的语音增强初探

希尔伯特-黄变换是新发展起来强有力的非线性、非稳态信号处理方法．它从信号自身出发自适应地产生具有物理意义的基函数,而不是人为地设定变换的基函数．该文将这一全新的方法应用到语音信号处理．希尔伯特-黄变换基于信号的局部特征时间尺度,能把复杂的信号分解为有限的内在模态函数之和,这种自适应的分解方法非常适于非线性和非平稳过程的分析．实验表明,希尔伯特-黄变换适于语音信号处理,有广阔地应用前景．结合小波变换的分析表明,该方法在语音去噪方面优于小波变换．     

小波变换在语音信号处理上的应用

利用小波的多分辨率分析,以及其良好的空间域和频率域局部化特点,针对语音信号特征,选取适当的小波算法进行去噪和增强语音,压缩编码,提取语音信号特征等处理。通过Matlab仿真分析,得到增强后的信号图和压缩后的压缩比参数、能量保留参数、零系数比例系数,提取的信号特征。结果表明,基于小波变换的语音信号处理表现出良好的特性。     

基于形态小波和S变换的滚动轴承故障特征提取

针对传统小波在强背景噪声中提取冲击故障特征的不足,提出基于极大提升形态小波(MLMW)分析和S变换的滚动轴承故障特征提取方法.先利用MLMW变换将信号分解到不同形态尺度上,各尺度信号上保留着信号局部极值形态特征,对细节信号进行软阈值降噪处理,再从重构信号的具有良好时频聚焦性的S变换谱上提取故障特征.试验结果表明,MLMW既抑制了噪声和谐波分量,又显著强化了故障特征;相比传统小波和包络分析,能清晰地提取非平稳非线性故障特征.由于MLMW采用简单的形态算子和高效的提升方法,计算简单高效,适于故障特征的在线分析.     

语音信号的特征量分析和消噪处理

介绍了用VC开发的关于语音信号特征量分析及增强的软件包.软件包不仅实现了对语音信号的时域和频域的特征参数快捷提取和实时显示,还可以实现清浊语音段的分离,最重要的是可以实现语音的增强和背景噪声的降低处理.     

语音信号的特征量分析和消噪处理

介绍了用VC开发的关于语音信号特征量分析及增强的软件包.软件包不仅实现了对语音信号的时域和频域的特征参数快捷提取和实时显示,还可以实现清浊语音段的分离,最重要的是可以实现语音的增强和背景噪声的降低处理.     

基于多窗谱估计的维纳滤波语音增强算法

针对维纳滤波在复杂背景噪声情况下,语音信号成分衰减过大的问题,提出了一种基于多窗口谱估计和维纳滤波相结合的语音增强方法。该方法先将带噪语音进行多窗口谱估计,再通过小波阈值去除噪声项得到近似纯净的语音谱;然后与维纳滤波处理后的语音谱相比较,根据不同的失真类型选择相应的谱作为最终增强的语音谱。仿真结果表明,在不同类型的噪声和信噪比条件下,该方法在抑制噪声和降低语音信号衰减上优于均方预测误差(MSCEP)和预白化子空间(PSS)方法。     

基于LWT-WEST的IGBT器件中1/f噪声检测方法研究

1/f噪声的产生与IGBT器件质量缺陷紧密相关,在检测IGBT单管噪声过程中,热噪声、散粒噪声在低频段表现明显的白噪声特性,通过在强白噪声背景下检测出1/f噪声,即可表征IGBT器件的性能。因此提出了一种基于提升小波变换的小波熵软阈值(Lifting Wavelet Transform-Wavelet Entropy Soft Threshold,LWT-WEST)的1/f噪声检测方法,创新性的将提升小波变换(LWT)与小波熵软阈值(WEST)去噪进行结合,利用提升方案得到的二代小波变换可以更为灵活的构造小波基,达到算法优势互补,实现1/f信号与背景噪声的分离。通过在不同信噪比下的大量实验可知,相较于较优的小波熵软阈值去噪算法检测的信号,基于LWT-WEST去噪算法检测其信噪比可提高3%～4%,而均方误差相应的可下降1%左右,改善了信号检测效果。     

一种新的MEMS陀螺仪信号去噪方法

为提高MEMS陀螺仪输出信号的去噪效果,将稀疏分解(sparse decomposition)与提升小波变换(lifting wavelet transform)相结合,提出了一种新的信号去噪方法.首先,建立MEMS陀螺带噪信号的误差模型,并利用小波提升正变换计算带噪信号的非稀疏的小波系数;然后,利用稀疏分解理论恢复小波系数的稀疏性;最后,再通过小波提升反变换重构信号,从而达到去噪的目的.考虑到梯度投影(gradient projection)算法具有全局最优解,运算效率更高,将梯度投影思想引入恢复信号稀疏性的过程中,提出了基于梯度投影的稀疏分解算法,给出了利用梯度投影算法进行信号系数分解的具体步骤,大大简化了计算复杂度,同时提升了算法的稳定性.为验证所提方法的性能,进行了MEMS陀螺信号去噪的静态实验和跑车实验.实验结果表明,此种方法在动静态条件下都可以有效地去除MEMS陀螺仪输出信号中的噪声,尤其是在静态条件下的去噪效果要优于小波阈值滤波方法.同时采用的梯度投影算法相比于正交匹配追踪算法和基追踪算法具有更高的运算效率.     

基于小波变换的静音与语音分割新算法

含噪语音信号的静音与语音分割，即端点检测问题是语音识别至关重要 的一步，为了提高语音分割对环境的适应性，提出了一种利用小波变换分割含噪语音信号中静音与语音的新算法，该算法首先将语音信号进行小波变换，利用小波系数去噪，然后选择小波部分子带跟踪信号的能量变化以分割语音与静音，仿真实验表明该算法在低信噪比条件下也能够有效分割语音。     

基于自适应阈值的提升小波去噪方法

鉴于传统的去噪算法中的阈值很难选取到最优值,设计了自适应的阈值选取器,结合最小均方算法和小渡阈值去噪算法,提出了一种基于LMS算法的小波去噪方法.该方法根据LMS算法来自适应地控制阈值参数,并实现提升小波阈值去噪.仿真结果表明,该方法优于传统去噪方法,可较大程度地减少信号中的噪声,提高输出信号的信噪比,能很好地提取有用信号的特征.     

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。     

基于提升小波的地震数据压缩编码算法

提出了一种基于提升格式小波的地震数据压缩算法,该算法针对地震数据信号及其噪声的特点,首先利用提升格式小波对地震数据进行小波变换,然后结合嵌入式零树编码的思想,对变换后的小波系数采用改进的SPHT算法进行编码.研究结果表明:本文所提出的算法能实现海量地震数据的快速编码,达到了对地震数据的高保真压缩;本算法实现的编解码时间快,同时解压的地震剖面图视觉效果要优于目前的离散小波压缩算法.     

基于提升小波的心电信号P、T波检测快速算法

为解决心电信号中P、T波信号复杂、微弱、识别难度大及识别算法执行效率低且易失效的问题,在分析提升小波算法原理的基础上,利用提升小波对信号进行时-频域分析执行速度快的特性,提出了将提升小波变换与差分运算相结合,构造利用提升小波对心电信号去噪,在重构相应层次的低频信号中利用差分法对P、T波进行识别的复合算法,并提出了一种适应心电信号个体差异和异常心电信号变化的跟随阈值函数。结果表明,提出算法比传统小波识别方法准确率高,且算法执行的速度至少提高一倍,更适合于硬件实现。     

基于离散余弦变换的语音增强

在进行余弦变换时,语音信号主要分布在余弦系数的低频区域,而随机噪声主要分布在高频区域．鉴于此特点,给出了一种基于离散余弦变换的阈值语音增强方法．利用余弦系数的高频区估计噪声得到阈值,对DCT阈值化,利用信噪比估计值和语音出现概率对算法做了进一步的改进,增强了算法的去噪能力．实验结果表明,该方法为有效的语音增强方法．     

基于提升格式小波变换和Snake模型的红外目标边缘增强与分割算法

针对红外图像对比度差、信噪比低的特点,将提升格式小波变换和Snake模型相结合,提出了一种红外图像边缘增强与分割算法。该算法先采用提升格式小波变换对原图像进行增强,以提升图像中目标与背景的对比度;而后再利用Snake模型对目标的边缘进行提取,最终实现目标的边缘分割。实验结果验证了这种算法可有效地对红外图像的对比度进行提升,从而提取出更为精确的目标边缘。     

基于小波系数统计的非高斯噪声背景下语音流检测

在实际生活中,非高斯噪声很普遍,对信号的影响也很大,是语音信号处理中的难题.大部分强噪声信号都是非高斯的,在强噪声背景下,由于语音信号受到较大的干扰,甚至被噪声淹没,传统的基于短时的能量、过零率、相关以及平均幅度差等检测算法效果都不理想.根据小波变换的特性和语音时域信号的分布特征,提出了一种非高斯噪声背景下语音流检测算法.对含噪语音进行小波分解,观察各层小波系数的统计特征,提取它们的不同特征,从而进行了语音流检测.大量实验表明该算法具有较高的检出率和较低的误检率,可以消除噪声的影响实时处理语音信号.该算法有一定的创新性,在处理非高斯噪音方面很有实用性.