基于MELP改进算法的低速率声码器设计与实现

文中研究了一种基于MELP模型的0.6 kb·s-1语音编码算法,该算法将四子帧组成一个超帧,并根据各子帧的清/浊属性,划分超帧为多个模式,不同的模式采用不同的量化联合编码方案.并在TMS320C5416上实时实现了该声码器算法,合成语音清晰可懂,具有较好的自然度.     

综放工作面瓦斯综合治理的研究与应用

通过对开滦唐山矿业分公司T1491综采放顶煤工作面瓦斯来源进行分析，找出了影响工作面瓦斯涌出的原因，采取了增加工作面有效风量、调整采区与相关系统压力关系、利用移动式瓦斯抽放泵站进行瓦斯抽放、改善放煤工艺等综合治理措施。     

图解与计算相结合单表找正法

近年来单表找正法逐步流行起来 ,适用于联轴节距离较大的场合 ,在联轴节距离不大的场合也同样适用 ,轴向的串量不影响找正 ,一次计算可完成轴向和径向两个方面的调整。其过程如下。1　找正工具和作图1.1　如图 1制作一个找正表架 ,要求其重量轻 ,有足够的刚度 ,表架及百分表要把紧 ,不可松动。图 1　找正表架1.2　根据说明书里轴的膨胀数值在坐标纸上画出热态时的理想运转线Ｍ -Ｎ ,将透平前后轴承距离、压缩机各缸支脚间距及联轴节距离按比例画在坐标纸上 ,并通过各点作热态线Ｍ -Ｎ的垂直线。按各支点膨胀数值在相应的垂线上截取其长度 ,…     

国内工程技术公司首次技术总负责建设大型现代化冷轧宽带钢生产线——唐山丰南1450mm冷轧薄卷板工程介绍(酸轧机组篇)

酸洗轧机联合机组是全连轧的一个发展方向,本文介绍了国内工程技术公司首次技术总负责、工程总承包建设唐山丰南1450mm冷轧薄卷板工程酸洗轧机联合机组的情况。该工程的顺利投产,开创了国内公司自主集成建设大型冷轧生产线的新模式,对推动我国钢铁工业坚持走自主创新之路、技术装备水平升级和结构调整具有重大的意义。     

基于能量变化率的汉语塞音检测算法

针对爆发谱特征不稳定的问题,论文提出了一种基于能量变化率的汉语塞音检测方法。该方法首先基于Seneff听觉谱提取了一组描述音段能量变化率特性的参数,然后采用Fisherface方法进行特征变换,变换后的特征采用K近邻(KNN)分类器进行分类,实现了塞音的检测,最后利用留一法对模型性能进行交叉验证。实验结果表明,干净语音塞音检测准确率可以达到96.39%,信噪比10dB的语音塞音检测准确率可达到88.07%,模型具有较好的稳定性和泛化性能。     

基于语谱能量的音素边界检测

根据音素发音时语谱结构的变化提出了一种基于语谱能量的音素边界检测方法。该方法首先根据语谱结构变化特点将信号频域划分为高频、中频、低频3个区域,并以语音帧间语谱能量向量的欧氏距离为判别依据分别对3个区域进行音素边界检测,然后对3个区域检测的边界分别进行二次筛选,最后将3个区域的边界信息融合,得到音素边界检测结果,相对于基于音素属性的边界检测方法,计算复杂性大大降低,边界检测率提高了3．95％。     

一种融合音位属性的语音文档索引方法

为提高索引覆盖率并获得更多的候选路径,提出一种在词格上融合音位属性的语音文档索引方法.通过基于音位属性检测的语音识别系统建立词格,利用其信息互补性,与传统的词格进行起止节点合并.针对合并后Lattice规模增大的问题,采用基于位置的分段对齐方法对其结构进行压缩.实验结果表明,该方法在提高索引覆盖率和降低最小错误率方面均优于传统的语音文档索引方法,能够有效提高语音检索性能.     

基于声学分段模型的无监督语音样例检测

提出一种基于声学分段模型的无监督语音样例检测方法。该方法首先利用高斯混合模型（Gaussian mixture model, GMM)将训练数据频谱参数转换为后验概率特征向量,采用层次聚类算法确定后验概率的边界信息,得到声学分段;然后通过k means算法将片段聚类并添加标签,构建基于后验概率的声学分段模型。检索时以模型对查询样例与检索文档的解码序列代替测量矩阵以降低检索时间,通过基于最小编辑距离的动态匹配检索查询项,最小编辑距离的代价函数由模型相似度距离矩阵修正。实验结果表明,相比GMM及传统声学分段模型,本文提出的方法性能更好,检索速度得到显著提升。     

VoIP压缩码流说话人识别研究

研究基于微聚类算法的VoIP压缩码流说话人识别算法。给出直接从G．729,G．723．1（6.3Kb／s）,G．723．1（5．3Kb／s）压缩语音的码流中提取识别参数,以微聚类算法作为识别结构的说话人识别算法。实验结果表明,对比在压缩码流中使用同样识别参数的GMM模型,微聚类算法在识别正确率和效率上都有很大的提高。     

基于NMF后验特征优化的语音查询样例检测

提出一种基于非负矩阵分解(Nonnegative matrix factorization, NMF)后验特征优化和修正分段动态时间规整(Segmental dynamic time warping, SDTW) 检索的无监督语音查询样例检测方法。该方法首先应用频域线性预测(Frequency domain linear prediction, FDLP)声学特征参数代替梅尔频率倒谱系数(Mel-frequency cepstral coefficients, MFCCs)训练高斯混合模型(Gaussian mixture model, GMM)模型,然后使用NMF算法对高斯后验特征矩阵进行分解,将得到的基矩阵作为子空间变换矩阵对原始后验特征投影,投影可以突出特征中主要分量,平滑距离矩阵。在检索阶段,使用多相邻输出得分对最佳匹配得分进行修正,用于代替标准SDTW算法的1-best输出得分。实验结果表明,在不增加检索时间的情况下,该方法相比应用MFCCs和FDLP特征的基线系统性能提升明显,检索精度分别相对提升了18.6%和18.1%。