基于变步长LMS减噪的基音检测改进算法

针对噪声环境下传统的基音检测算法精度不高的问题,提出一种改进的基音检测算法。采用变步长最小均方(LMS)自适应滤波器对带噪语音信号进行减噪,计算减噪后语音的自相关函数(ACF)归一化值、改进平均幅度差函数(MAMDF)、倒谱,建立非线性组合函数,突出基音周期处的峰值。基于置信区间和相邻语音帧的基频差值进行平滑处理,减少基音提取的错误。仿真结果表明,与传统算法相比,该算法检测准确率提高了至少6.7%,在低信噪比环境下鲁棒性也明显提高。     

基于MATLAB的基音检测分析

基音检测作为语音信号处理的重要手段,被广泛地应用于语音的合成、编码及识别等一系列语音信号处理技术问题。基音检测的准确性对于要求极高的语音识别、合成、分析、压缩编码等等都有重要的意义。该文用自相关函数法、平均幅度差函数法和倒谱法这三种常用的基音检测方法,运用MATLAB编程实现,对语音信号的基音周期轨迹图进行了比较分析,并由此得出和倒谱法进行语音信号基音的检测更为精确。     

基于线性预测残差倒谱的基音检测

传统的基音检测算法对含噪语音的检测结果较差,本文在线性预测倒谱方法的基础上采用基于线性预测残差倒谱的方法对含噪语音进行基音检测。实验结果表明,该方法使基音峰点更加清晰,提高了基音检测的精度。     

基于自相关和倒谱法的基音检测改进算法

语音信号基音周期检测一直以来都是语音信号处理的关键技术和热点领域。对传统的基音检测方法进行研究分析,提出基于自相关和倒谱法的基音检测改进算法。先将语音信号进行最小均方误差(LMS)自适应滤波和非线性处理进行语音增强,后进行自相关法和倒谱法加权平方运算来检测基音周期。经Matlab实验仿真,该算法在低信噪比环境中能精确检测基音周期,较传统基音检测方法鲁棒性更好、更精确。     

一种基于线性预测残差倒谱的基音检测算法

基音检测算法一直是音频处理领域的研究热点,但是语音信号声道特征对基音及其谐振结构的影响很大,增加了检测的难度。利用LP残差仅仅保留声门激励信号的特点,通过倒谱分析避免了声道特征和噪声的影响。同时针对倒谱分析中经常出现的半频倍频问题和低频截断问题,引入了谐波积谱（HPS）的解决方案,提高了识别的精度。实验表明,该方法能够较好地避免半频倍频错误,对于截去了低频和高频的电话信道语音也能够得到令人满意的检测结果,同时作为帧检测技术能够满足实时应用的需要。     

改进的基音检测算法

提出了一种改进的基音检测算法。利用LMS自适应滤波器对带噪语音信号进行语音增强,再求语音信号的自相关函数（ACF）和平均幅度差函数（AMDF）,对ACF峰值和AMDF谷值进行分析,提取改进的ACF/AMDF加权平方特征进行基音检测。实验结果表明,改进算法的检测效果明显优于传统方法,在低信噪比环境下,鲁棒性较好,提高了检测精度。     

基于倒谱分析法的藏语语音基音周期检测

基音周期是表征激励源特征的一个重要参数,在藏语语音处理的研究中具有非常重要的意义.本文首先介绍了基于倒谱分析法进行基音周期检测的基本原理,并在此基础上对藏语语音的基音周期检测进行了仿真研究,同时指出了几个应该注意的问题.     

语音信号基音检测的二次谱方法

对基音检测的倒谱法进行了分析,指出其在基音检测计算及其数字实现时存在不足。为 了克服这些不足,提出了一种功率谱二次处理的二次谱基音检测方法,该方法在克服了倒谱法在基音 检测中不足之处的同时还提高了计算速度,基音轨迹曲线估计的准确性也得到了改善。     

一种高效语音基音检测方法的研究

根据语音信号产生的机理,综合考虑基音频率检测的准确性与高效性,提出了一种基于下采样的基音检测方法.该方法以传统的自相关函数法为基础,结合线性预测逆滤波及下采样技术,有效地提高了抗噪性,降低了计算复杂度.通过Matlab软件对计算结果进行仿真分析,证明新算法计算简便、准确,基音频率平滑性好,算法鲁棒性好,适用于实时语音信号的基音检测.     

一种语音信号基音检测的功率谱二次处理方法

对基音检测的倒谱法进行了细致的分析,指出其在基音检测计算及其数字实现时存在不足。为了克服倒谱法的不足之处,提出了二种;新的功率谱二次处理基音检测方法,该方法在克服了倒谱法在基音检测中不足之处的同时还提高了计算速度,对基音轨迹曲线的估计准确性也得到了较大改善。     

结合改进自相关与加权小波分量的基音检测法

自相关函数法和小波变换法是经典的基音检测方法,在简要分析单独使用它们进行基音检测存在不足的基础上,提出一种结合改进自相关与加权小波分量的检测方法。采用改进自相关函数对传统自相关函数进行幅度补偿以弥补传统自相关函数随滞后时间增加导致幅度衰减的缺陷;将多级小波变换分量加权求和以突出语音的基音信息,然后将两种方法结合突出真实基音周期处的峰值。实验结果表明,与传统的自相关函数法和小波变换法相比,两者结合的方法减少了倍频、半频及伪随机点的错误,提高了基音检测的精度。     

基于两层神经网络的基音检测算法

传统基音检测方法中当信噪比较低时,会出现清浊音检测效果差、算法精度低、鲁棒性差的缺点。为了克服这些缺点,提出了一种基于两层神经网络的基音检测算法。该方法采用BP人工神经网络进行端点检测,再采用第二层BP神经网络进行清浊音分离,最后通过动态验证得到基音频率。实验结果证明,与传统的自相关法相比,该方法减少了倍频及半频的误差提取,提高了基音频率的提取精度。     

基于频谱方差和谱减法的语音端点检测新算法

针对低信噪比情况下频谱方差法对语音信号进行端点检测时准确率降低的问题,提出了一种结合频谱方差和谱减法的语音端点检测新算法。算法采用改进的谱减法对语音信号进行动态降噪处理,并依据得到的降噪后信号的频谱方差设置双门限值进行端点检测。仿真实验表明,该方法具有抗噪性好、自适应性强等优点,在低信噪比情况下检测的准确率与普通的频谱方差法相比有很大的提高。     

基于自相关平方函数与小波变换的基音检测

在背景噪声干扰条件下,研究语音信号的基音周期,提出了一种基于自相关平方函数与小波变换结合的基音检测算法。该算法先用小波变换对带噪语音去噪,然后再求语音的自相关平方函数以突出真实基音周期的峰值,以获取较精确的基音周期。实验结果表明,与传统的自相关法相比,该算法鲁棒性好,具有更高的准确性,且计算复杂度低,利于语音合成和编码的实时处理。     

基于小波变换和动态验证的基音检测算法

针对基音周期检测中容易出现的半周期和倍周期错误,综合考虑了常用的小波变换和短时自相关方法的优缺点,以及相邻基音周期长度的渐变性,提出了把两者相结合的基音周期检测算法.对语音信号进行清浊音检测和前置带通滤波,利用小波变换方法进行初步检测,对基音周期变化过大的情况使用自相关方法进行验证.实验结果表明,该方法在不同信噪比下的基音周期检测准确率都明显高于普通的小波变换检测方法.同时,该方法还有助于通过人工方式快速修正基音周期.     

一种改进的语音谱减去噪算法

在谱减去噪过程中噪音的功率谱估计一般根据经验而定,对此提出了一种改进方法,利用含噪语音的短时能零积和基本谱减法,得到语音起止点和噪音功率谱估计,有利于在不同语音阶段对含噪语音进行谱减去噪。最后利用无音阶段噪音特点对去噪之后的残留噪音进行残差处理以彻底去除噪音。仿真实验表明该方法比传统单一的谱减去噪方法效果理想。     

多频带谱减法用于生态环境声音分类

基于人类听觉特性的Mel频率倒谱系数广泛用于声音识别,然而在生态环境中噪声的出现导致其识别率剧减。提出一种在噪声背景下生态环境声音分类方法。利用非线性多频带谱减法对声音功率谱进行去噪处理并提取改进Mel频率倒谱系数,有效削弱不同频率段噪声功率谱干扰。利用支持向量机良好的鲁棒性和抗噪能力对含有噪声的生态环境声音进行分类。实验表明该方法能有效在噪声背景下对生态环境声音准确分类。     

基于加权门限谱熵的改进端点检测方法

为了进行有效的语音信号处理,降低语音信号的冗余度,通常采用端点检测技术来提取语音信号中的有效部分。而传统谱熵端点检测算法由于判定门限为固定值,其在低信噪比条件下检测性能急剧下降,提出了一种基于动态加权门限的检测方法,对每个判定的噪音帧的谱熵与无声段噪音谱熵进行加权平均,得到新的噪音谱熵作为更新后的门限值;在判定过程中引入谱减法提高信噪比,进一步降低噪声干扰。仿真实验结果证明,相对于传统谱熵端点检测方法,该方法在低信噪比的条件下仍然能够更为准确地检测到语音的端点。