基于相似度的高精度基音检测算法

提出了一种具有较高精度且抗噪性能强的基音检测算法。该算法将线性预测残差看作语音源信号的近似,对其进行频谱分析,依据残差幅度谱算得基音周期的粗估值。然后回到时域信号,根据基音周期粗估值设计一长度可调的窗,通过窗函数在语音段连续取两段语音信号作相似度运算,可根据最大相似度值计算出准确的基音周期。该方法准确性高,在噪声环境下也具有较好的效果。     

基于MATLAB的语音信号基音周期检测的实现

本文针对语音信号基音周期检测进行分析,并使用matlab软件编程实现了语音信号的基音周期检测.在实现基音周期检测时使用中心削波法,该方法使语音信号基音周期检测更为可靠,并采用了三电平削波法减少基于自相关法的基音周期检测的乘法运算量.     

低信噪比环境下语音端点检测改进方法

针对语音端点检测在低信噪比环境下普遍存在检测性能急剧下降的问题,提出一种将调制域(时间-频率域)谱减法和自相关函数相结合的语音端点检测算法。该算法首先利用调制域谱减法较好的消噪能力来提高含噪语音的信噪比;然后根据语音和噪声的自相关函数的主峰最大值和次大值之比差异较大的特性,结合基于对数能量和自相关函数的端点检测方法对消噪后的语音进行端点检测。实验结果表明,该算法在低信噪比的环境下能取得较好的端点检测效果,并具有较好的稳健性。     

一种基于线性预测和极大似然估计的基音检测算法

用线性预测的方法求出语音信号的LPC(Linear Predictive Coding)谱,然后根据候选的声门激励与LPC谱卷积重构语音信号的短时频谱,当重构频谱与原始语音频谱之间的畸变最小时,声门激励之间的间隔为基音周期.为了提高计算效率,采用频域动态搜索的方法搜索基音周期的候选值.数值实验表明,采用线性预测和极大似燃估计 (Maximum Likelihood, ML)的基音检测算法可保留更多的基音信息,并能有效地减少基音检测的错误,并且该算法比传统的ML法有更强的鲁棒性.     

一种噪声环境下的语音端点检测方法

利用短时过零率来检测清音,用短时能量来检测浊音,两者相配合便实现了信号信噪比较大情况下的端点检测。但是在信噪比较小的环境下,这两种方法便失去了作用。为了能在噪声环境下准确地检测出语音信号的端点,根据对含噪语音在时频域中的研究,提出了一种基于Matching pursuits时频分解算法的语音端点检测方法。该方法使用Matching pursuits算法对含噪信号进行分解,然后再对信号进行魏格纳变换,可以完全去除信号的魏格纳交叉干扰项,使得语音信号和噪声信号在时频平面上具有较直观明显的魏格纳能量分布,利用这个特点再进行端点检测,实验结果表明,该方法能在信噪比较低的情况下,准确地检测出语音信号的端点。     

SELP声码器基音周期参数量化合成改进算法

针对正弦激励线性预测(SELP)声码器在解码端使用整型基音周期会引入额外舍入误差的问题,提出了一种码本整型化修正算法,该算法通过对码本中的各个码字在线性域进行取整,达到与解码端反量化过程一致的效果。测试结果表明,该算法能够有效地降低基音周期对数域矢量量化的量化误差,并且能够将合成语音的平均意见得分(MOS)提高0.05左右,明显改善合成语音质量。     

基于双压力传感器与EMD的管道泄漏检测方法

负压波法是输油管道泄漏检测的主要方法,但由于输油泵的调节以及输油管网中压力的相互影响,误报较多。为排除虚警,利用双压力传感器,根据压力波的传播方向排除假象。针对原始信号互相关函数的峰值易受高频信号干扰产生偏差的问题,利用经验模式分解对双传感器的压力信号进行滤波,对重构后的信号再进行相关分析。实验表明新算法能正确判别压力波的传播方向,可以有效排除误报。     

带噪语流中浊音端点检测

浊音端点检测在语音处理中占有重要地位,在语音编解码、语音识别、语音增强处理中都需要用到端点检测技术。常规的以短时能量、过零率等作为判决特征参数的方法无法在低信噪比的系统中满足应用需求。本文以信号的共振峰和基音周期检测为基础检测浊音端点,算法首先提取语音信号的第一共振峰以及基音周期信息并以此为判决依据判断浊音的起点和终点。实验证明,这种方法在噪声环境中相对于传统的基于能量检测的或AMR_WB标准中的端点检测算法有更高的正确率。     

小波-形态-EMD综合分析法及其应用

在经验模态分解(EMD)的理论基础上,分析了随机白噪声及局部强干扰对EMD分解质量的影响,结合小波消噪和形态滤波理论,提出了一种新型的小波-形态-EMD算法模型.该模型将小波形态变换作为EMD前置滤波单元,可以减少不必要的分解层次,降低EMD分解的边界积累效应,消除局部强干扰造成的模态裂解现象,有效提高EMD的时效性和精确度.利用仿真信号分析实例详述了这种综合分析方法的实施过程,并将该方法成功运用于齿轮故障的早期检测中.实验结果证明该方法在机械故障诊断中切实可行,具有较好的应用价值.     

基于趋势分析的AMDF基音检测改进算法

针对语音信号处理中传统AMDF基音检测算法存在下降趋势易出现检测错误问题,提出基于去均值下降趋势的AMDF算法改进框架,并以线性多项式表示AMDF均值下降趋势,给出基于最小二乘法的AMDF改进算法。利用最小二乘法拟合均值下降趋势;将其从AMDF中减去获得改进的AMDF(LSAMDF)。仿真实验表明LSAMDF性能明显优于多种AMDF改进算法,验证了改进框架的正确性及以线性趋势表示均值下降趋势的合理性。     

换挡加速度信号的EMD和小波阈值降噪方法

针对采集的换挡工况加速度信号中存在的噪声对换挡品质评价指标值提取的准确性和复杂性产生较大影响的问题,提出一种基于经验模态分解(EMD)和小波阈值方法结合的信号降噪方法。首先利用EMD将含噪的原始信号分解为有限个本征模态函数(imf)分量,然后对高频imf分量进行小波阈值降噪,并将降噪后高频分量和低频分量利用EMD进行重构得到降噪后的信号。最后对某一换挡工况的加速度信号进行降噪试验。试验结果表明,在换挡加速度信号降噪方面,基于EMD和小波阈值的降噪方法与传统的EMD分解降噪、小波阈值降噪相比,能够更好地保留原始信号特征形态,降噪效果更明显。该方法为换挡加速度信号的降噪处理提供了一种可行的思路,为后续整车驾驶性评价创造了条件。     

Hilbert-Huang变换端点效应问题的探讨

为了克服Hilbert-Huang变换中的端点效应，利用时变参数ARMA（Autoregressive Moving Average）模型对信号进行外延后再进行EMD（Empirical Mode Decomposition）分解，在一定程度上克服了EMD方法的端点效应问题；同时利用时变参数ARMA模型对IMF（Intrinsic Mode Function）分量进行延拓后再进行Hilbert变换，有效地抑制了Hilbert变换中的端点效应，可以得到准确的瞬时频率和瞬时幅值。     

工况模态分析的EMD方法

EMD（Empirical Mode Decomposition)算法1995年由NASA海洋水波实验室提出，本质上是一种将时域信号按频率尺度分解的数值算法，对于线性时不变系统，它可以从时域信号中直接提取具有不同特征时间尺度的内禀模式函数（IMF,Intrinsic Mode Function)，分解得到的IMF s之间具有正交性，且分解唯一，本文以此为基础，将NExT(Natural Excitation Technique)方法推广到多点随机激励下的复模态情况，对多自由度线性系统实测响应信号的互相关函数进行EMD分解，并进而实现模态参数的辨识。     

基于EMD的激光雷达信号去噪方法

针对激光雷达回波信号较弱易于被各种噪声污染的特点,本文提出利用经验模态来模态分解(EMD)这一非线性、非平稳信号处理方法,对Mie散射激光雷达信号进行多尺度分解.该方法是利用信号内部时间尺度的变化做能量与频率的解析,采用这种方法能够将噪声污染的激光雷达信号分解成若干个线性、稳态的本征函数(IMF),通过对本征函数的重构,去除包含高频噪声的IMFs,从而达到去噪目的.实验结果表明,这种方法的去噪能力强,并且具有自适应的特点,从而说明了这种方法在信号去噪中的优势.     

EMD的LabVIEW实现及其在滚动轴承故障诊断中的应用

针对LabVIEW工具箱中缺少EMD算法的问题,对LabVIEW进行二次开发,实现EMD（EmpiricalMode Decomposition）的算法及HHT（Hilbert Huang Transform）分析方法。并且提出利用EMD的高频IMF（Intnnsic Mode Function）进行共振解调提取轴承故障特征信息的方法。故障诊断实例证明,该方法与传统共振解调方法相比,具有较大的优势。     

基于二维EMD的Harris角点检测算法

为解决Harris角点检测算法在多尺度条件下无法正确提取角点的问题,本文将经验模式分解(EMD)方法运用到二维图像特征点提取中。先利用二维EMD方法将图像分解到多个图像细节层,并定义为本征模函数(IMF),再利用Harris算子对各图像细节层进行角点检测,最后采用层层筛选的方法提取角点。对比实验结果表明,新算法得到的角点更加丰富,抗噪性增强,明显提高了图像角点检测性能。     

滚动轴承故障的EMD诊断方法研究

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）的滚动轴承故障诊断方法。这种方法中，局部损伤滚动轴承产生的高频调幅信号成分被EMD分解作为本征模函数分离出来，然后用Hilbert变换得到其包络信号，计算包络谱，就能够提取滚动轴承故障特征频率。该方法被用于分析实验台上采集的具有内圈损伤及外圈损伤的滚动轴承振动信号。分析结果表明，与传统的包络解调方法相比，新方法能够更有效地提取轴承故障特征，诊断轴承故障，因而具有重要的实用价值。     

HHT的理论依据探讨--Hilbert变换的局部乘积定理

希尔伯特-黄变换（Hilbert—Huang Transform，简称HHT）是上世纪90年末才出现的一种非平稳信号分析方法，对于这种方法的理论框架还有值得深入探讨的空间。为了进一步，探索HHT的理论依据，本文从分析HHT的固有模态函数（Intrinsic Mode Function，简称IMF）的定义入手，在Hilbert变换的Bedrosian乘积定理基础上提出了Hilbert变换的局部乘积定理，采用理论推导和物理意义分析相结合的方法巧妙地论证了这一定理，从而首次为HHT中IMF的定义、瞬时频率的计算公式、经验模态分解（Empirical Mode Docomposition，简称EMD）及其收敛性等系列问题提供了较统一的理论依据。     

基于声振信号EMD分解的轻微碰摩故障诊断方法研究

针对转子系统局部碰摩故障特征及声音振动信号特点,采用一种基于声振信号经验模式分解(Empirical Mode Decomposition简称EMD)的轻微局部碰摩故障诊断方法对滑动轴承碰摩故障进行特征提取。由于EMD分解不需要固定的基函数,根据信号特征自适应的调整,从而实现碰摩特征及旋转激励背景信号自动分解。通过设计滑动轴承缺油工况轴承碰摩试验,并进行振动全息测试分析,将所得声振信号本征模式函数时域特征和边界谱特征与转子径向位移及轴承座加速度信号对比分析,确定了碰摩部件;从而证明基于声振信号EMD分解的碰摩故障诊断方法的有效性。     

《基于微分的经验模式方法在转子裂纹和碰摩故障诊断中的应用》

介绍了基于微分的经验模式方法（DEMD）,在Jeffcott裂纹转子模型和碰摩转子模型基础上,对裂纹和碰摩信号进行时间响应分析。结果表明,DEMD比传统的EMD方法呈现出更好的检测效果。研究工作为裂纹和碰摩转子故障诊断提供了一种工具。