一种基于小波的改进型带噪话音激活检测算法

提出了一种基于小波的改进型话音激活检测方法.在介绍小波变换、增强型变速率语音编码(EVRC)算法中的语音增强模块原理的基础上,着重讲述了利用小波对语音信号进行分解重构,利用语音增强模块中的判别方法对语音端点进行检测,依据判决更新对检测结果进行修正.通过对不同信噪比下的语音信号进行端点检测,给出了仿真结果及语音帧检测率,证明了该算法的有效性和可靠性.     

基于小波神经网络的语音端点检测算法

为了提高语音端点检测效果,将小波分析和神经网络相融合,提出一种基于小波神经网络的语音端点检测算法（WA-PCA-RBF）。利用小波分析提取语音信号的特征向量,采用主成分分析法选择语音信号特征,消除冗余特征,将选择特征向量作为RBF神经网络输入,通过遗传算法优化RBF神经网络参数建立语音端检测模型。结果表明,相对于传统语音端点检测算法,WA-PCA-RBF提高了语音端点检测正确率,具有更好的适应性和鲁棒性,可满足实际系统需求。     

小波分析和支持向量机相融合的语音端点检测算法

为了提高语音端点检测的适应性和鲁棒性,提出一种基于小波分析和支持向量机的语音端点检测算法。首先利用小波变换提取语音信号的特征量,然后将这些特征量作为支持向量机的输入进行训练和建模,最后判断出该信号的类别。仿真实验表明,相对于传统的语音端点检测算法,小波分析和支持向量机的检测算法提高了语音端点检测的正确率,有效降低了虚检率和漏检率,具有更好的适应性和鲁棒性,对不同信噪比的信号都有较好的检测能力。     

基于小波系数能量及其方差的语音端点检测

在语音识别系统中,端点检测技术对于系统的识别准确率来说是至关重要的。提出一基于小波子带能量和小波系数方差的语音端点检测算法。和其他传统的端点检测方法如短时能量、过零率方法等相比,该算法更加有效。计算机仿真结果证明了该算法更适合于语音端点检测,尤其是在低信噪比（SNR）条件下。     

一种改进的小波能量熵语音端点检测算法

语音端点检测是语音信号处理的一个重要环节,在低信噪比下,端点检测的准确度和鲁棒性较低。为此,提出一种小波能量熵与基音周期相结合的混合端点检测算法。该算法通过分析语音信号的小波能量和小波能量熵,构造不同语者的小波能量熵端点检测参数,针对不同语者的发音特性运用小波能量熵和基音周期检测语音端点。实验结果表明,在不同噪声背景下,当信噪比为5 dB时,该算法的端点检测平均准确率达到84.375%,相对于小波能量和小波能量熵算法均有明显提高。     

飞机驾驶舱噪声环境下的飞行员语音端点检测

为在飞行驾驶舱噪声环境下准确判定飞行员语音端点,提出一种鲁棒语音端点检测方法。使用最优改进对数谱幅度估计语音增强算法进行初步语音降噪,通过Teager能量算子进一步滤除残余噪声,并将降噪后语音短时能量与子带谱熵的比值作为双门限判决参数,检测飞行员语音起止点。实验结果表明,与基于能量参数或频谱熵参数的语音端点检测方法相比,该方法能有效提高检测正确率。     

基于奇异性的语音端点检测方法

噪声信号对于语音信号是相对奇异的.小波变换是分析信号奇异性的有利工具.在利用小波对含噪语音进行分析研究的基础上,提出了一种新的端点检测方法.该算法利用了基于信号奇异性的统计特征和高低频能量比特征.实验结果表明,在低信噪比的情况下,该算法依然能有效地进行语音分割.     

改进动量粒子群优化神经网络的语音端点检测

为了提高语音端点检测率,提出一种改进动量粒子群优化神经网络的语音端点检测算法(WA-IMPSO-BP)。利用小波分析提取语音信号的特征量,将特征向量作为BP神经网络输入进行学习,并采用粒子群算法优化BP神经网络参数,建立语音端检测模型,在Matlab环境下进行仿真实验。仿真结果表明,WA-IMPSO-BP提高了语音端点检测率,有效降低了虚检率和漏检率,表示WA-IMPSO-BP是一种检测率高,抗噪性能强的语音检测算法。     

一种语音端点检测算法及其在DSP上的实现

提出一种基于模糊RBF神经网络的语音端点检测算法。该算法先利用小波分析提取语音信号的特征量,然后将其输入到模糊RBF神经网络进行端点检测运算,并采用以TMS320VC5416DSP为核心的电路进行算法实现。实验结果表明,该系统的端点检测正确率很高,即使在低信噪比时也能正确地判断语音信号的端点。     

基于小波及能量熵的带噪语音端点检测算法

为了在复杂的噪声环境中区分出语音信号和非语音信号(噪声),提出了一种基于小波及能量熵的带噪语音端点检测方法.该方法利用小波的多分辨率特性以及它对非平稳信号局部特征的表现能力,对含噪语音信号进行小波变换,用各层能量熵值的平均值来有效地区分语音段和非语音段.不同背景噪声及不同信噪比下的实验结果表明,提出的带噪语音端点检测算法获得了较高的检测正确率.     

一种新型实用的语音激活检测方法

论述了各种语音激活检测技术的优缺点,利用语音和背景噪声之间的相关性能差异,结合多门限检测技术,提出一种能够在复杂背景噪声环境下进行实时语音激活检测的算法。基于标准语音数据库的仿真结果表明该算法具有较低的实现复杂度,能够自适应地调整判断门限,有效跟踪背景噪声变化情况。实际产品测试结果验证了该算法的有效性。     

低信噪比下基于功率谱熵的语音端点检测算法

为了解决短波通信中语音检测的问题,针对短波语音信噪比低,噪声复杂的特点,对幅度谱熵算法进行了修正,选取功率谱熵作为VAD特征,加入谱熵平滑和hangover设计,研究了基于功率谱熵的语音端点检测算法。实验证明,算法对几种典型的短波语音均有比较理想的性能。     

基于非线性能量算子的心电信号R波检测方法

将Marr小波变换和非线性能量算子相结合实现了心电信号的R波检测,心电信号的Marr小波分解信号很好地抑制了各种噪声干扰,结合非线性能量算子运算可突出了QRS波的特征点,使得阈值检测便于实施,利用修正策略提高了R波检测率,经MIT/BIH标准心律失常数据库验证,R波的检测率可达到99.7%,该方法对于心电信号的自动分析系统具有应用价值。     

基于似然比测试的语音激活检测算法

针对低信噪比和噪声变化情况下语音激活检测算法性能下降的问题,提出一种新的参数更新和取值算法。该算法采用Laplacian-Gaussian混合模型对带噪语音频谱的概率分布进行建模,模型参数从带噪语音中估计得到,噪声功率参数通过跟踪语音的音节间隙进行平滑。实验结果表明,该算法在-5dB信噪比情况下,可以达到95％以上的检测率,具有优越的跟踪性能。     

Methods for applying VAD in Kazakh speech recognition systems

This article considers the algorithm “Voice activity detection” and the using VAD algorithm in the system of Kazakh speech recognition. The paper presents a mathematical model VAD and methods for detecting voice data: pauses between sentences, words, individual sounds. VAD algorithm is adapted to the recognition of Kazakh speech counting the basic properties of Kazakh language. Voice activity detection researches in Kazakh speech are being conducted for the first time. The results of the spectral analysis are displayed on the picture.     

语音识别系统中语音活动性检测方法的研究

针对当前语音活动性检测技术中传统方法普适性差和在低信噪比下检测性能陡降的问题,研究了在低信噪比强噪声（平稳和非平稳）环境下的语音时频增强相和基于改进谱熵能量的活动性检测相结合的语音识别系统的研究。首先估计背景噪声能量,分别对语音信号进行频域和时域的增强处理;然后利用一种鲁棒性更好的特征参数来判断语音端点。验证结果,表明,该方法在平稳和非平稳两类噪声环境下均具有较好的检测性能,其应用范围更广泛。     

基于离散小波变换的语音激活检测

为提高在噪声环境下语音检测的性能,提出了一种基于离散小波变换的语音激活检测(VAD)的方法。算法将语音信号进行3层离散小波变换,通过Teager能量算子(TEO),提取能量比值和能量差值两个参数,最后进行门限判决。实验结果表明,本算法在噪声环境中能够有效地正确判别语音段和噪声段,并且优于G.729B和AMR所提出的VAD的算法。     

基于时频参数融合的自适应语音端点检测算法

为了解决低信噪比环境下传统的语音端点检测算法性能较差且不能自适应环境噪声,提出了一种基于时频参数融合的自适应语音端点检测算法。将对数能量与改进的Mel能量进行融合,获得了一种新的时频参数（TF）,该参数能有效地区分语音段和噪声段。使用该参数在噪声段对阈值进行更新,采用门限检测法判定出语音端点。仿真实验表明,该算法具有较好的鲁棒性,且能够准确地检测出语音端点。当信噪比（SNR）为0 dB时,端点检测错误率仅为15%左右。     

多语音特征参数的端点检测方法研究

为了提高语音端点检测算法的鲁棒性,提出了一种在不同信噪比下采用不同语音特征参数的端点检测算法.对含噪语音进行基于背景噪声能量估计的信噪比估计,根据估计的信噪比大小选择不同的特征参数来进行端点检测,在高信噪比下采用传统的语音短时能量和过零率,在低信噪比下采用基音周期、高频与全频带能量比和谱失真,即算法能根据信噪比的大小来自适应调整检测方法.实验结果表明,该方法具有良好的鲁棒性,在不同的信噪比下检测的准确率都很高.