基于BP神经网络的数字语音去噪方法研究

利用设计的BP神经网络滤波器对引入噪声的数字实验语音信号进行去噪试验,并在此试验的基础上对其去噪效果与FIR维纳滤波器去噪效果进行分析和比较,结果表明利用BP神经网络滤波器对数字实验语音信号进行去噪具有良好的效果.     

基于BP神经网络的数字语音去噪方法研究

利用设计的BP神经网络滤波器对引入噪声的数字实验语音信号进行去噪试验 ,并在此试验的基础上对其去噪效果与FIR维纳滤波器去噪效果进行分析和比较 ,结果表明利用BP神经网络滤波器对数字实验语音信号进行去噪具有良好的效果。     

基于噪声整形的语音去噪算法

针对非平稳环境噪声提出一种基于噪声整形的语音去噪算法.该算法以最小感知均方误差为准则,在Wiener滤波的基础上,采用听觉感知加权函数修正Wiener滤波方程,实现对噪声谱整形,使噪声谱分布特性跟随语音谱而变:同时引入频率补偿因子克服非平稳噪声谱对语音影响的不均匀性;采用快速噪声估计算法实现对非平稳的估计.实验表明,该算法能更有效地抑制背景噪声,提高了去噪后的语音质量.     

基于自适应门限融合策略的语音去噪算法

针对单个语音去噪算法在去噪过程中关注点较为单一,而多个语音去噪算法在融合时存在细节信息被削弱、融合效果不理想的问题,提出一种多个语音去噪算法下的自适应门限融合策略,将带噪信号分别经过3种不同的去噪算法得到3个去噪信号;根据自适应门限值以帧为单位进行帧筛选,得到自适应门限融合策略下的去噪信号;为提高识别效果,采用倒谱提升器对Gammatone频率倒谱系数(Gammatone Frequency Cepstrum Coefficient, GFCC)进行改进,并联合支持向量机进行噪声环境下的语音识别。实验结果表明,在5、10、15、20 dB四种信噪比下,通过该融合策略所得到的去噪信号与目前主流的顺序融合及多级融合方式相比,在语音识别率方面平均提高3.6%,融合倒谱提升器的GFCC特征相比于GFCC特征平均提高了2.2%。     

基于改进小波阈值法的语音去噪算法

针对数字助听器在接收和处理过程中,容易受到背景噪声干扰的问题,在传统小波阈值去噪的基础上提出了一种改进的阚值函数.该函数具有高阶连续可导,克服了传统小波阚值函数不可导的问题.利用该阈值函数对含噪语音的小波系数进行分帧实时阈值处理,以获得数字助听器中语音增强的效果.仿真结果表明:利用新阈值函数得到的语音去噪信号,其信噪比、均方误差和语音可懂度均优于其他非连续可导的阈值函数算法.     

基于小波去噪的语音识别系统

在语音信号分析的理论基础上,考虑了语音识别系统的实际应用要求,提出了小波去噪技术的研究。文中介绍了小波分析的基本理论,选取了最佳小波基,有效去除了语音信号中大部分噪声。采用了MFCC参数和HMM算法,最终建立了噪声环境下语音识别系统。     

基于子波变换的语音去噪方法

本文在分析了随机噪声的子波变换系数在不同尺度上的传递特性和噪声信号奇异性与子波模极大值的关系后,提出了用一个尺度间变化的门限阈值来抑制带噪语音信号在不同尺度上噪声子波系数,从而实现在重构语音信号中消除噪声的目的。文中还给出了不同信噪比语音信号的子波去噪的计算机仿真结果,从结果上看出,本文的方法有较好的语音去噪、增强效果。     

一种基于Hilbert-Huang变换的语音去噪方法

在介绍Hilbert Huang变换理论的基础上,提出了一种基于HHT变换的语音去噪算法。首先对带噪语音信号做EMD分解,得到各阶IMF分量,然后对高频的IMF分量用小波域去噪中的阈值方法进行处理,然后把经过阈值处理的高频IMF分量和低频的IMF进行叠加,得到重构后的信号,即去噪信号。仿真实验表明基于Hilbert Huang变换的去噪结果优于小波软、硬阈值法的去噪结果,显示了Hilbert Huang变换在处理非平稳信号中的优越性。     

基于改进遗传算法的小波阈值语音去噪

针对语音信号在传输和处理的过程中经常会受到不同程度噪声干扰的问题,在传统小波阈值去噪方法的基础上提出了一种改进型去噪方法。该方法采用遗传算法对小波阈值参数进行自动寻优,并对传统遗传算法加以改进,克服了其容易陷入局部最优的缺点,实现了阈值的自适应选取,解决了人为选择阈值导致去噪效果不明显的问题。实验表明,改进方法能够较好的去除语音信号中的噪声干扰,信噪比较高,相比于通用阈值法提高了15%。     

一种改进的子波域语音去噪方法

分析了信号和噪声在子波域的不同特征表现,提出了一种改进的子波域语音去噪方法,该方法用一个随尺度变化的门限阈值来抑止带噪音信号在不同尺度上噪声的子波系统,从而更好地实现在重构语音信号中消除噪声的目的。     

基于BP神经网络的耳语音转换为正常语音的研究

提出了一种基于BP神经网络的汉语耳语音转换为正常语音的方法.首先提取正常语音、耳语音的共振峰参数,使用BP神经网络训练出耳语音到正常语音共振峰参数的转换模型;然后根据模型求出与耳语音对应的正常语音共振峰参数,采用共振峰合成的方法将耳语音转换为正常语音.实验结果表明:使用该方法转换的正常语音DRT得分为80%,MOS得分为3.5,在可懂度和音质方面均达到了满意的效果.     

基于BP神经网络的高精度电容测量

针对工程应用中电容的测量过度依赖仪器设备,难以实现高精度实时测量的问题,提出了一种基于BP神经网络的高精度电容测量方法。利用由DSP,DDS,AGC,ADC和阻容分压等电路构成的数据获取模块采集50个标准电容两端的分压幅值,经过数据清洗与中值滤波去噪预处理后形成71个特征值,以此构建C-U数据集;建立3层隐藏层结构为16×32×16的BP神经网络模型,并进行训练和测试,获取电容预测模型,分析模型性能。测试结果表明,模型预测值与真实值的平均相对误差仅为2.629 1%;预测模型在训练集与测试集上的决定系数R²均达到了0.99,具有很好的泛化能力。     

基于MATLAB小波去噪方法及应用研究

在实际的计算机控制系统中,采样信号不可避免的受到各种噪声和干扰的污染,使得由采样信号辨识得到的系统模型存在偏差妨碍了系统控制精度的提高。Donoho和Johnstone提出的小波去噪算法对去除高斯白噪声非常有效。我们对此在MATLAB环境下做了详尽的探讨及仿真实验研究,得到一些实际应用经验,并利用傅立叶变换/反变换和小波阈值去噪方法对电厂机组调速级压力运行数据进行了去噪对比实验,结果表明小波去噪方法能取得较好的去噪效果,为后续系统模型辨识打下良好的基础。     

基于小波变换的信号去噪方法研究

对小波闽值去噪方法进行了研究,阐述了小波变换和小波去噪的基本原理和方法,利用四种自适应阈值规则对含噪信号分别进行去噪处理,并比较了去噪效果。以采集到的语音信号为例,采用不同的阈值去噪方法去噪,在MATLAB下进行仿真,结果表明小波变换既能有效地去除信号噪声,又能较好地保留原信号中的突变信息。     

压缩感知理论在语音信号去噪中的应用

针对小波阈值滤波的局限性,将压缩感知理论应用到语音信号去噪中,并与小波阈值滤波方法进行了比较,仿真实验结果表明：基于压缩感知的小波滤波方法可以有效地去除语音信号中的噪声,并且去噪效果优于传统小波阈值滤波方法,对工程中音频信号的降噪具有指导意义。     

一种改进阈值函数的小波语音去噪方法

在分析了软阈值法和硬阈值法等常用用值函数的优缺点基础上,提出了一种改进的阈值函数,该阈值函数结合了折中阈值函数和μ律阚值函数的优点.实验仿真表明,不管语音信号输入信噪比高低,改进的方法均可获得满意的去噪效果.     

基于小波包的阈值语音去噪算法研究

传统的小波阈值去噪算法会不可避免地造成有用语音信号的损失,达不到很高的信噪比。基于Donoho提出的传统阈值去噪方法,提出了一种新的阈值函数,该闽值函数结合了软阈值函数和灿律阈值函数的优点,不仅克服了硬阈值函数不连续的缺点,而且解决了软阈值函数存在的恒定偏差。实验仿真表明,新阈值函数的语音去噪方法无论在听觉效果上,还是信噪比指标上均明显优于传统的硬、软阈值方法。     

小波变换去噪法在语音增强中的应用

本文论述了小波变换去噪原理和几种典型的语音去噪方法及语音增强的实现过程.     

一种远场语音信号去噪算法研究与实现

针对远场语音信号易受噪声污染的问题,分析了远场语音信号特点,总结出现有语音信号增强方法,提出一种对谱相减法去噪的改进算法设计。并通过仿真与实验证明,此方法有效抑制了去噪后引入的“音乐噪声”,提高了语音信号可懂度。     

基于自组织神经网络的数字语音识别

提出一种基于自组织神经网络的数字语音识别模型。首先用基于小波变换和线性预测的特征提取方法提取语音信号特征，用自组织神经网络进行识别判决。这种语音识别方法适合于小词汇量的孤立词识别，网络结构简单，所需训练数据十分的少，实时性能好。用MATLAB进行仿真实验，识别率达到98%。