基于小波包变换的加权语音特征参数

提高语音识别系统识别率是语音识别技术中的一个重要的研究课题。通常由于环境噪声影响导致系统的识别准确率急剧下降。为了提高语音识别系统的识别准确率,并且使其在强噪声的环境下仍能获得令人满意的结果,在W_RAS_MFCC(Mel Frequency Cepstral Coefficients of the Relative Autocorrelation Sequences)参数提取分析和小波包变换研究的基础上,并根据加权带通滤波器分析技术,提出一种基于小波包分析的加权语音特征参数。通过实验结果分析表明,此方法用于抗噪声分析可以提高系统的识别准确率,同时在低信噪比下也有很好的适应性。     

基于小波变换的鲁棒性语音特征提取新方法

提高语音识别系统的鲁棒性是语音识别技术一个重要的研究课题。语音识别系统往往由于训练环境下的数据和识别环境下的数据不匹配造成系统的识别性能下降。为了能得到无噪音的语音识别特性,让语音识别系统在含噪的环境下获得令人满意的工作性能,根据人听觉特性提出了一种鲁棒语音特征提取方法。将小波变换和MFCC算法相结合,在MFCC的前端用小波包变换代替FFT和Mel滤波器组,同时在后端用临界小波变换代替DCT,最后得到鲁棒语音特征。通过实验结果分析表明,将方法用于抗噪声分析可以提高系统的抗噪声能力;同时特征的处理方法对不同噪声有很好的适应性。     

小波网络和RBF网络的抗噪语音识别

针对目前在噪音环境下语音识别系统性能较差的问题,利用小波神经网络融合了小波变换良好的时频局域化性质和RBF神经网络具有最佳分类能力和辨识能力等特性。构建了一个用小波基替代RBF网络中激活函数的小波-RBF神经网络结构,并采用全监督训练算法,实现了基于小波-RBF网络的抗噪语音识别系统。实验结果表明该系统比RBF网络具有更好的识别效果,尤其在噪声环境下,具有更强的鲁棒性。     

便携式心理多道记录仪信息智能采集方法研究

针对现有便携式心理多道记录仪基于皮肤电、心率等生理信号进行信息采集时存在一定的局限性问题,提出一种基于语音信号的智能采集分析方法,采用两级判别法对采集的语音信号进行端点检测,提取出有效的语音片段,并采用改进小波阈值法对提取的语音片段进行降噪处理,采用快速离散傅里叶变换FFT算法对降噪后的语音片段进行时间信号频谱分析,实现了便携式心理多道记录仪信息的智能采集。仿真结果表明,所提方法可实现智能采集便携式心理多道记录仪语音信息,采集的语音信息对心理测试具有一定的积极促进作用,可提高心理测试准确率,使心理测试准确率达到88.2%,具有一定的有效性和优越性。     

基于深度强化学习的对话机器人人机交互系统优化设计

为了提高对话机器人人机交互的准确率,提出一种基于协作递归网络的语音增强方法对语音分析模块进行优化。方法首先基于广义最小绝对偏差方法构建语音信号的AR参数估计模型,并采用深度递归Q网络对模型进行求解;再根据所求参数,通过卡尔曼滤波器递归网络依次还原语音信号数据。实验证明,在语音增强测试中,采用所提方法进行语音消噪,相较于改进谱减法、YW估计自适应卡尔曼滤波法和MG自适应卡尔曼滤波法等常用语音增强方法,可以更好地还原语音信号,尤其是在短视语音的消噪上,减小了语音失真,大幅提高了语音的信噪比。在人机交互测试中,基于所提语音增强方法优化的人机交互系统,对话识别准确率达到了93.33%,相较于未优化的系统,提高了16.66%,性能优越性明显,更满足对话机器人人机交互需求。     

一种噪声环境的语音端点检测方法

端点检测是语音识别系统的一个重要组成,尤其是在噪声环境中,其准确性对语音识别系统性能有直接影响。提出了一种基于小波子带倒谱系数（SBC）的语音信号端点检测方法,利用小波变换对频带进行尺度划分,采用小波子带倒谱能量检测语音端点。通过与MFCC的仿真对比以及大量实验分析,小波子带倒谱特征在语音端点检测中具有更好的识别性能。     

电动汽车充电平台智能语音识别技术及数据挖掘

针对现有技术中电动汽车充电平台智能语音识别能力差的问题,设计了新型的电动汽车充电平台,该系统平台包括计算机网络终端、电网调度中心以及充电桩等,能够实现上层管理中心的语音识别,电路包括语音采集模块、语音辨别模块和控制驱动模块等,设计出基于UniSpeech-SDA80D51芯片的语音识别电路,提高了语音识别能力,并构建出隐马尔可夫模型(hidden Markov model,HMM)和人工神经元网络(artificial neural network,ANN)相融合的模型,实现了智能语音识别数据信息的挖掘与处理,进而增强了语音识别系统的性能。试验表明,该研究在不同噪音下的识别率,其中在20 dB的噪音下识别率为88.3%。该方法提高了语音识别和挖掘能力。     

短语音噪声环境下说话人识别特征提取

为了使说话人识别系统在语音较短和存在噪声的环境下也具有较高的识别率,基于矢量量化识别算法,对提取的特征参数进行研究。把小波变换与美尔频率倒谱系数(MFCC)的提取相结合,并将改进后的特征与谱质心特征进行了组合,建立了一种美尔频率小波变换系数+谱质心(MFWTC+SC)的新的组合特征参数。经实验表明,该组合特征可以有效地提高说话人识别系统的性能。     

基于意图识别的智能语音交互机器人设计

为提高智能语音交互机器人语音交互的准确率,提出一种基于意图识别的机器人智能英语语音交互方法。通过引入Glove＿BiGRU＿Self-attention分类预测模型构建意图识别功能模块,并采用ROS分布式架构对系统功能模块进行整合,实现人机的智能语音交互。仿真结果表明,采用所提方法进行的语音意图识别,具有更高的准确率,相较于基于DCNN模型、基于CNN-LSTM模型与基于单向构建的GRU-Self-attention模型的意图识别方法,识别准确率分别高出8.03%、4.07%和2.14%,具有更好的识别效果;在特征提取上,训练时间较传统基于BiLSTM模型的提取方法,BiGRU的训练时间缩短了4倍,训练效率更高。实验结果表明,采用所提意图识别方法搭建的语音交互系统,对用户英语语音指令的识别准确率和识别效率依然拥有较好的结果,识别平均准确率达到了89.72%,识别时间均在0.35 s之内,证明所提方法可以应用于实际语音交互之中。应用实验表明,采用基于意图识别方法搭建的智能语音交互机器人,无论是在问答交互还是控制命令上,都可以准确对用户英语指令进行识别,根据用户要求进行相关回答或完成相应动...     

基于子带谱熵的仿生小波语音增强

前端噪声处理直接关系着语音识别的准确性和稳定性,针对小波去噪算法所分离出的信号不是原始信号的最佳估计,提出一种基于子带谱熵的仿生小波变换(BWT)去噪算法。充分利用子带谱熵端点检测的精确性,区分含噪语音部分和噪声部分,实时更新仿生小波变换中的阈值,精确地区分出噪声信号小波系数,达到语音增强目的。实验结果表明,提出的基于子带谱熵的仿生小波语音增强方法与维纳滤波方法相比,信噪比(SNR)平均提高约8%,所提方法对噪声环境下语音信号有显著的增强效果。     

改进的语音特征提取方法及其应用

噪音是降低语音识别系统精度的关键因素,因此,如何从带噪语音信号中提取出有效的语音特征是提高语音识别系统识别率的重要途径.该文在分析语音特征提取方法的基础上提出改进算法.实验表明,采用LDA MLLT CMs算法组合提取出的语音特征具有较好的鲁棒性,在噪音环境下的平均音节识别率为43.79%.该组合在中文大词汇量连续语音识别系统中也有较好的性能,音节识别率达到83.56%.     

基于连续隐马尔科夫模型的英语翻译机器人语音识别系统

语音识别系统在音频质量较差时,经常出现识别错误的情况,为提高识别精度,基于连续隐马尔科夫模型设计英语翻译机器人语音识别系统。在硬件中,设计音频信号接收器和机器人音频识别模块主处理器。在软件中,对音频信号量化并预加重处理,计算帧移距离与每帧长度之间的比值,获取模拟信号转换频率与基本单位量化指标;基于连续隐马尔可夫模型构建语音文本解编码器,计算窗函数的宽度,在网格中获取马尔科夫链概率路径,比较不同概率路径的复杂度;设计英语翻译机器人语音识别算法,得到英语翻译机器人的语音识别结果。由实验数据可知：该系统在三种不同音频质量下的语音识别准确率均在75%以上,较其他系统更稳定,在同等音频质量下,准确率更高,可见连续隐马尔可夫模型的语音识别系统优于其他系统。     

基于小波混沌神经网络的语音识别*

基于语音信号的时变特性,提出了一种新型神经网络语音识别方法——小波混沌神经网络方法,即把小波变换和混沌特性引入到神经元,构成小波混沌神经网络,将这种神经网络用于语音识别,并与常用的BP神经网络识别方法进行了比较。实验结果表明,小波混沌神经网络的平均识别率要高于同等条件下常用的神经网络方法的识别率。     

基于GMM的说话人识别技术研究

为了探讨高斯混合模型在说话人识别中的作用,设计了一个基于GMM的说话人识别系统。整个系统由音频信号预处理,语音活动检测,说话人模型建立以及音频信号识别4个模块组成。前三个模块构成了系统的模型训练部分,最后一个模块构成了系统的语音识别部分。包含在第二个模块中的由GMM模型搭建的语音活动检测器是研究的创新之处。利用增强的多方互动会议语料库中的视听会议对系统中的部分可调参数以及系统的识别错误率进行了测试。仿真结果表明,在语音活动检测器和若干滤波算法的帮助下,系统对包含重叠语音的音频信号的识别准确率可以达到83.02%。     

基于语音识别技术的在线语言交互学习系统的设计与实现

当前中外语学习口语环境的不足问题已导致学生在语言应用过程中出现了许多困难。研究针对该问题提出了一种基于语音识别技术的在线语音交互学习系统。从语音输入质量入手，在预处理步骤上进行语言信号时域特征的变换，针对计算量和存储空间性能对动态时间规整算法进行改进，并基于改进算法构建在线韩语交互学习系统。实验结果表明，优化算法与混合模式方案，在不同的噪音与信嗓比背景下，混合模型的音频识别错误率均低于30%,在40 dB的条件下识别错误率低于16%。融入优化算法的教学系统在40 dB的条件下错误率低于13%。说明HMM与DBN混合模型更适用于韩语语言识别教学系统，此次设计的基于语音识别的语言交互学习系统具有一定应用价值。     

一种鲁棒的基于小波变换的语音参数提取算法

提出了一种基于小波变换的新型语音参数提取算法 ,提高语音识别系统对环境噪声的鲁棒性。由于引入了多分辨率小波分析技术 ,识别既在高频提供高的频率分辨又在低频提供高的时间分辨率。这样 ,提出的改进算法在语音词汇的识别更准确的同时 ,还大大简化了计算。将该算法和传统提取 MFCC系数的算法进行了比较,实验结果表明 ,利用小波计算语音特征具有更优的性能。     

一种与文本有关的说话人识别系统设计与实现

该文设计并实现了一种基于小波变换和线性预测的语音信号特征提取方法(DWT—LPC)和自组织神经网络的与文本有关的说话人识别系统。该系统包括端点检测、特征提取、说话人识别、网络训练和神经网络参数五部分，结构简单，实时性能好，并且网络训练所需数据少。用MATLAB对说话人识别系统进行仿真实验，选择由元音、轻辅音和浊辅音组成的本文，经过测试，识别率达98.5％。     

一种基于数据筛的音频视频连续语音识别系统

文中考虑语音的音频和视频双模型特性，建立了一个在噪音环境下的基于音频和视频复合特征的连续语音识别系统。在视频特征提取方面，引入了一种鲁棒性较好的数据筛特征提取方法：在音频和视频集成建模方面，使用多数据流HMM来反映语音的双模型特性。识别实验表明，文中建立的音频视频连续语音识别系统具有很好的抗噪性。     

基于HMM与遗传神经网络的改进语音识别系统

为了解决语音信号中帧与帧之间的重叠,提高语音信号的自适应能力,本文提出基于隐马尔可夫(HMM)与遗传算法神经网络改进的语音识别系统.该改进方法主要利用小波神经网络对Mel频率倒谱系数(MFCC)进行训练,然后利用HMM对语音信号进行时序建模,计算出语音对HMM的输出概率的评分,结果作为遗传神经网络的输入,即得语音的分类识别信息.实验结果表明,改进的语音识别系统比单纯的HMM有更好的噪声鲁棒性,提高了语音识别系统的性能.     

基于惯性传感器的人体行为识别系统设计

为了准确识别人体行为，为医疗、游戏、智能产品等产业提供数据支持，设计了基于惯性传感器的人体行为识别系统，根据人体结构的关节模型选择其中的主要关节，佩戴惯性传感器采集人体行为信息，利用主成分分析法提取关键特征，采用SVM算法构建人体行为分类器。经过16种行为的测试验证，平均识别准确率为86.72%,对于幅度大区别明显的动作识别准确率可达到100%,为人体行为的智能识别提供了实用的解决方案。