基于Mel频率倒谱参数相似度的语音端点检测算法

为提高噪声环境下语音端点检测的精确性,提出了一种基于Mel频率倒谱参数(MF-CC)相似度的端点检测方法。提取了每帧语音信号的Mel频率倒谱参数,然后将前十帧作为背景噪声,计算测试帧和背景噪声的MFCC相关系数距离,最后用得到的MFCC相似度距离曲线进行端点检测。实验结果表明,该方法在白噪声和粉噪声环境下均可得到理想的端点检测效果,并且在低信噪比时仍然有效。     

基于经验模式分解的语音端点识别方法

提出一种基于经验模式分解（EMD）的语言端点识别方法.该方法对带噪语音信号进行EMD分解得到一组固有模态函数（IMF）,采用短时过零率估计其平均瞬时频率.根据语言信号特定阶IMF平均瞬时频率的特征,将平均瞬时频率低且变化缓慢的语言帧作为周期性强的浊音段,而平均瞬时频率高的语言帧判别为清音段,组合处理后的结果最终得到语音段数据.数值仿真和实验结果表明,该方法在语音信号受噪声污染比较严重的情况下能够有效识别语音端点.     

基于小波和经验模态分解的气体泄漏声音端点检测算法

针对石油化工等复杂高危场所,危化品泄漏产生的非平稳泄漏声音信号,难以正确判断声音端点的问题,基于小波和经验模态分解（EMD,Empirical Mode Decomposition）,提出一种改进的能零比气体泄漏声音端点检测算法。首先,通过麦克风阵列采集气体泄漏信号,将预处理后的泄漏信号通过小波阈值去噪,以提高检测信号的信噪比;其次,利用EMD算法对降噪的信号进行分解,从分解得到的本征模态分量（IMF,Intrinsic Mode Function）中选择IMF,构造新的信号;然后,通过分帧和加窗的方法对重构信号进行再处理,计算出各帧信号的能零比值,采用提出的自适应门限计算方法对信号进行端点检测;最后,搭建简易的气体泄漏模拟实验平台,对改进的气体泄漏声音端点检测算法,进行了实验测试。实验结果表明：改进的能零比气体泄漏声音端点检测算法,在低信噪比的条件下,仍然具有良好的检测精度和检测效率;与传统方法和基于EMD的能零比算法相比更接近实验采集声音信号真正的声音端点。     

经验模态分解中端点效应的抑制

Hilbert-Huang变换是通过对信号的经验模态分解,使非平稳信号平稳化,从而使信号Hilbert变换后得到的瞬时频率具有物理意义。在应用经验模态分解方法时,通过3次样条插值算法给出的上、下包络在数据信号的两端不可避免地会出现发散现象。会严重影响经验模态分解的质量,使分解出的本征模态函数没有实际的物理意义。镜像闭合端点延拓通过镜像法把镜内信号映射成一个周期性的环行信号,不存在端点,从根本上避免了经验模态分解和Hilbert变换的端点效应。从理论上说,镜像闭合端点延拓是解决经验模态分解端点的一个好方法。     

经验模态分解的端点问题数值处理方法研究

经验模态分解(EMD)是由Huang等发展的一种新的数据分析方法,但在利用样条插值获得上下包络过程中存在着棘手的端点问题。文章在该问题已有解决方法的基础上,提出了基于极值点单调性一致的EMD端点问题处理方法。根据信号的极值序列查找与数据末端极值的差值和同时具备最小、单调性一致且在单调性内的点数相等三个条件的极值序列,进而构造方程组进行极值预测。通过与其他两种方法的对比验证,证明了提出的方法可以有效抑制端点效应。     

基于Mel倒谱特征和RBF网络的孤立词语音识别方法

Mel谱失真测度是一种弯折频率谱失真测度,用Mel频率尺度可较充分地反映人耳对频率及幅度的非线性感知特性,以及人耳在听到复杂声音时所表现的频率分析和谱合成特性。本文针对孤立词语音识别,对常规LPC倒谱特征提取方法进行改进,即将LPC倒谱按符合人耳听觉特性的Mel尺度进行非线性变化,得到LPC Mel倒谱系数(LPCMCC)作为特征参数。识别网络使用RBF神经网络,进行了孤立词语音识别。实验结果表明此种方法抗噪性能好,识别效果高。     

基于谱减法的语音端点检测算法

依据语音信号的频域特性,对其功率谱进行分析,提出了一种基于谱减法的端点检测算法,首先给出了算法的具体实现步骤,然后运用MATLAB软件进行了仿真。仿真结果表明,即使在较低信噪比(0~15dB)的情况下,采用本算法仍能准确地检测出语音信号的端点位置。     

基于时频增强和谱熵的语音端点检测技术

该文提出了基于时频增强和谱熵的语音端点检测算法。该算法对带噪语音在频域利用谱减法去除宽带加性噪声，在时域去除由谱减带来的残差噪声从而对语音进行了增强。对增强后的语音利用谱熵特征进行端点检测。实验结果表明，该算法快速有效，具有较强的抗噪能力，特别适合低信噪比的语音端点检测。     

基于方差和谱熵结合的语音端点检测方法

针对传统方法在低信噪比条件下的检测结果无法较好地满足需要,提出了将语音信号小波包BARK子带方差和谱熵二者相结合的新端点检测方法.首先对带噪语音采用多窗谱估计谱减法降噪,然后利用小波包分解构成BARK子带,求出每帧信号的BARK子带方差均值和谱熵值,最后用方差值除以谱熵值,将二者的比值作为双门限检测法的参数进行端点检测...     

基于OSF的汉语耳语音的端点检测

将非线性理论应用到端点检测中，提出一种利用次序统计滤波（OSF）来进行汉语耳语音的端点检测的方法。对信噪比为2-10dB的耳语音的测试样本进行仿真试验，结果表明，该方法能较准确地检测到汉语耳语音的端点。     

具有间断事件检测和分离的经验模态分解方法

针对在经验模态分解（EMD）筛选过程中间断信号引起的模态混叠问题,提出了一种新的解决方法．该方法为根据间断过程信号与正常背景信号时间尺度的不同,利用固有模态函数（IMF）的瞬时频率特性实现间断信号的精确定位,依据定位的间断信号段经端点延拓重新做EMD分离出间断信号,从而在后续的EMD中消除该间断信号的影响．将该方法与小波法消除间断信号的结果进行了比较,显示其滤除结果的信号失真较小,并可将间断信号分解为一固有模态函数．     

经验模态分解在相关峰检测和测向中的应用

互相关测向法在低信噪比时检测不到相关峰,无法实现有效的方位估计.经验模态分解可以在突出信号局部特征的基础上,把信号分解成多个固有模态函数.采取对互相关函数进行经验模态分解,适当选取分解出的IMF重构互相关函数.重构的互相关函数有明显的相关峰,可以有效地提高检测目标的能力.将经验模态分解与互相关测向法相结合,可以实现低信噪比下的时延估计,从而更好地估计目标的方位.仿真结果表明重构的互相关函数较原互相关函数,其相关峰较最高伪峰的相对值提高了约4.9 dB,从而可以更好地实现时延估计.方位估计结果显示此方法在信噪比为-14 dB时,仍能准确地估计目标的方位.     

基于经验模态分解的短期负荷预测

提出了一种新的电力系统短期负荷预测混合模型,该模型将经验模态分解（EMD）、支持向量机与BP型神经网络有机结合在一起,充分利用了各方法的特点。利用经验模态分解将负荷序列分解成若干序列,根据各序列的变化特点,在考虑温度影响因素的基础上构建不同的支持向量机模型,然后利用BP网络进行非线性重构得到最终预测结果。仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度。     

一种基于Matlab的语音信号端点检测方法

首先简介语音信号端点检测涉及到的几个基本概念,然后采用短时平均幅度与短时平均过零率相结合的双门限算法来对语音信号进行端点检测。重点阐述双门限算法的设计思想与实现过程,经Matlab编程实验证明,该方法准确、有效。     

基于改进双门限法的语音端点检测研究

语音信号的端点检测是语音识别过程中的重要环节,端点检测结果精确与否直接关系着语音识别的准确度。使用车载语音作为测试数据,利用传统双门限法进行端点检测,发现传统双门限方法在静音条件下和带噪条件下获得语音端点检测信息存在较大误差。针对上述问题,提出了一种改进的双门限法进行语音端点检测,针对语音信号以及短时平均能量和过零率进行处理,并通过Matlab进行仿真,实验结果说明提出的改进方法与传统方法相比,在静音和带噪条件下,都更接近测试数据中真正的语音端点。     

基于谱熵梅尔积的语音端点检测方法

为了克服传统语音端点检测算法在低信噪比环境下准确率低的问题,提出一种基于谱熵梅尔积（MFPH）的语音端点检测算法.首先,提取带噪语音信号的梅尔频率倒谱系数中的第一维参数MFCC₀,将其与谱熵的乘积作为最终区分语音段和背景噪声段的融合特征参数;然后,结合模糊C均值聚类算法和贝叶斯信息准则（BIC）算法对MFPH特征参数门限值进行自适应估计;最后,采用双门限法进行语音端点检测.实验结果证明,与传统方法比较,该方法在-5~15 dB低信噪比环境下的语音端点检测准确率有较大提高.     

基于谱熵的语音端点检测算法改进研究

语音端点检测是语音处理中重要的领域之一。常规谱熵语音端点检测算法是通过检测语音的功率谱的平坦程度,从而达到语音端点检测的目的。但是该方法在平稳噪声环境下较好,在无噪声和非平稳噪声环境下效果较差。作者在分析了无噪声环境下常规谱熵端点检测算法效果差的原因的基础上,结合了语音的短时能量算法,对常规谱熵算法进行了改进,形成了一个新的特征参数——谱熵能量积。仿真结果显示,该方法相对于常规谱熵算法,在无噪声的环境下检测精度有了很大的提高,在非平稳噪声环境下也有了一定的提高,鲁棒性得到增强。     

基于自相关夹角余弦值的语音端点检测

在基于高维空间和自相关函数的基础上,提出了一种语音端点检测的新方法———基于短时自相关夹角余弦值的语音边界检测法.阐述了该方法实现的原理,并在MATLAB环境下进行仿真实验测试.     

基于奇异值分解和经验模态分解的航空发动机健康信号降噪

提出了一种基于奇异值分解(Singular value decomposition,SVD)和经验模态分解(Empirical mode decomposition,EMD)的信号降噪方法。首先采用EMD方法对原始信号进行分解并提取出信号趋势分量。然后对信号剩余部分采用SVD方法降噪,并根据奇异值差分谱方法自适应选择奇异值进行信号重构。最后将重构后的信号与趋势分量叠加得到最终的降噪信号。采用该方法对模拟信号和实际航空发动机健康信号进行了降噪试验,结果表明:该方法能够准确地选择用于重构信号的奇异值,并能够有效地去除信号噪声。