非平稳强噪声环境中的音频信号端点检测系统

为提高音频信号端点识别能力,设计一种非平稳强噪声环境中的音频信号端点检测系统。构建音频信号端点检测硬件单元,利用预处理单元对音频信号进行预加重、分帧以及加窗处理后,端点检测单元在提取处理音频信号的MFCC倒谱距离特征、频带方差特征的基础上,依据动态阈值估计策略确定恰当阈值;通过双特征参数双门限法来实现对音频信号起止点的确定以及语音帧和非语音帧的分离;利用包络确定延时单元,防止噪声段被错误识别为语音段,避免出现拖尾太长问题。实验结果表明,所设计系统可实现非平稳强噪声环境音频信号端点检测,检测误差满足设定要求。

一种基于能零积的改进端点检测算法

针对基于短时能量和短时过零率的传统端点检测算法在信噪比低于10 dB时其准确性明显下降的问题,提出一种基于声谱图特征增强的能零积端点检测改进算法。首先,对音频信号进行谱减法降噪,提升信号的信噪比;其次,依次对声谱图进行腐蚀、二值化和膨胀处理,以实现声谱图特征增强;最后,提取能零积特征,并利用双阈值端点检测算法对音频信号进行端点检测。实验结果表明,该算法在不同信噪比条件下可以有效捕获有环境异常音片段,具有良好的鲁棒性。

基于改进语音信号双门限法端点检测算法的研究

语音信号端点检测是语音信号预处理过程中的重要环节,传统双门限法采用短时能量和短时平均过零率,通过设置阈值进行语音信号起始点和结束点检测,在高信噪比条件下识别效果较好,但是在低信噪比下,噪声影响传统检测的速度和准确性。为了提高语音识别的效率,提出一种改进的双门限法语音端点检测算法,采用动态设定阈值,进行平滑滤波等改进方法。通过MATLAB仿真表明,改进算法在低信噪比下的识别准确性较高,有利于后续语音识别的研究。

一种舰载低信噪比环境下的音频端点检测算法

针对舰载环境下音频端点检测准确率及鲁棒性较低的问题,提出了一种谱减法和朴素贝叶斯分类器相结合的音频端点检测算法。首先提取纯净音频信号MFCC0与GFCC0构建融合特征,与能熵比特征一同作为朴素贝叶斯分类器的输入进行训练及建模,再利用多窗谱谱减法提升待测含噪信号信噪比,提取信号相关特征,朴素贝叶斯分类器根据待测信号特征判断该信号的类别。仿真实验结果表明,该算法针对舰载低信噪比含噪音频信号与传统方法相比有效降低了虚检和漏检,具有更好的准确性及鲁棒性。

低信噪比环境下的多通道语音端点检测算法

传统的端点检测算法仅利用信号的时频信息,在低信噪比环境下,尤其是非平稳噪声环境,会出现准确率下降的问题,而多通道语音信号具有丰富的空间信息,可以对时频域的信息进行补充,从而提高检测的准确率。因此在多通道空间特征研究的基础上,利用接收阵列信号的协方差矩阵,提出一种全新的基于多通道协方差矩阵最大特征值的多通道语音端点检测算法。首先通过提取每一帧信号的协方差矩阵的最大特征值作为端点检测的特征参数,从而对语音信号进行跟踪,然后采用双门限阈值法判断当前帧是否为语音帧。实验结果表明,在VCTK及实验室语料库上,与梅尔能量比及新能零熵算法相比,所提出的算法具有更高的检测准确率,并且对于-5 dB的低信噪比环境及非平稳噪声环境具有更好的鲁棒性。

时频特征的海豚发声端点检测方法研究

为在复杂的海洋环境噪声场中检测出目标海豚的某类声信号,设计了一种基于海豚声学特征的端点检测方法。根据海洋环境中噪声能量大且分布频率范围广,而海豚声音的时频特征具有持续时间短、频率高且集中、发声行为持续时间长的特点,将采集到的海洋声音进行分帧,计算单帧信号短时能量、谱质心和谱质心二阶偏移率,当海豚发出声信号时,谱质心和能量相应发生突变,截取发生突变的信号实现端点检测。通过与门限法等其他常见端点检测方法进行对比,结果表明,此方法在低信噪比的海洋环境下对单一海豚的某一类声信号检测准确度更高,同时具有较强的抗干扰能力。

适用于短波信号侦察的话音端点检测方法

针对传统话音端点检测方法在短波低信噪比信道下检测准确率低的问题,提出一种将深度生成对抗网络和自适应参数的子带对数能熵积相结合的话音端点检测方法。该方法首先利用深度生成对抗网络话音增强方法降低噪声对待检测信号的影响,再以自适应参数的子带对数能熵积这一新的话音特征参数为阈值,使用自适应阈值双门限检测法完成话音端点检测。仿真实验结果表明,该方法对于-5 dB信噪比的标准话音库检测的平均加权错误测度仅为13.5%,而对于实际短波侦察信号库检测的平均加权错误测度为16.7%,均优于能零熵法和多窗谱估计谱减与能熵积法。

低信噪比下采用感知语谱结构边界参数的语音端点检测算法

提出了一种采用感知语谱结构边界参数(PSSB)的语音端点检测算法,用于在低信噪比环境下的语音信号预处理。在对含噪语音进行基于听觉感知特性的语音增强之后,针对语音信号的连续分布特性与残留噪声的随机分布特性之间的不同点,对增强后语音的时-频语谱进行二维增强,从而进一步突出连续分布的纯净语音的语谱结构。通过对增强后语音语谱结构的二维边界检测,提出PSSB参数,并用于端点检测。实验结果表明,在白噪声-10 dB到10 dB的各种信噪比环境下,采用PSSB参数的端点检测算法,相对于其它端点检测算法,更有效地检测出语音的端点。在-10 dB的极低信噪比下,提出的方法仍然有75.2%的正确率。采用PSSB参数的端点检测算法,更适合于低信噪比白噪声环境下的语音端点检测。

复杂噪声环境中的语音端点检测

提出了一种适用于复杂加性噪声环境的语音端点检测方法。通过对噪声类型的归纳,建立自适应的平稳噪声模型,并根据模型搜索信号能量非平稳的区域。然后基于浊音在频域上的谐波结构,在此区域内检测浊音,从而排除非平稳噪声的干扰。最后根据信号能量精确搜索语音起止点。与目前典型端点检测算法的对比实验表明,在大多数复杂噪声环境下,该算法具有较好的准确率。

滑动窗累积量的递推估计算法及其在语音端点检测中的应用

提出了一种滑动窗累积量的递推估计算法并应用于语音端点检测中,用以解决传统端点检测方法在噪声环境下检测性能变差的问题。在对含噪语音信号进行加窗之后,利用滑动窗累积量的递推估计算法估计含噪语音信号的高阶累积量值,并在此基础上结合能量特征进行语音端点检测。实验结果表明,所提滑动窗累积量递推估计算法相比较传统高阶累积量计算方法运算效率明显提高;所提端点检测算法在不同噪声和信噪比环境下相比较G.729b算法点正确率Pc-point值平均提升了6.07%。基于滑动窗高阶累积量的语音端点检测算法具有较高的运算效率及良好的鲁棒性。

基于深度学习的噪声背景通信信号端点检测

在复杂的电磁和地理自然环境中,通信链路常常受到噪声的干扰。基于此,文章提出了一种基于深度学习的方法来解决噪声背景下的通信信号端点检测问题,该方法使用深层卷积神经网络(Deep Convolutional Neural Networks,DCNN)提取样本特征,用于描述信号活跃区域和背景噪声之间的差异,并获得样本特征图。同时,通过多尺度区域检测方法确定特征图中的通信信号的起止端点,并使用线性回归方法精修区域参数,使端点检测结果更接近真值。在实验验证方面,文章利用构建的仿真通信信号数据集进行训练和测试,实验结果表明,该方法能够在毫秒级延迟下准确地检测出淹没在噪声中的通信信号,且检测精度优于现有方法。

基于功率归一化倒谱的端点检测

传统的端点检测在低信噪比(SNR)非平稳噪声下性能会失效,因此文章提出了将最优改进的对数谱幅度估计(OMLSA)以及最小控制递归平均算法(IMCRA)相结合的方法对包含噪声的语音指令进行去噪处理,提取PNCC的第一维静态特征作为特征参数。同时,文章在单参数双门限法的基础上设计了一个自适应阈值,可以更好地跟踪预测实际语音的起始与终止端。Matlab仿真结果显示,该算法在各种非平稳噪声下比经典算法优势更大。

语音端点检测及其在Matlab中的实现

介绍了语音的基本特征和语音端点检测的基本方法,对基于Matlab的端点检测算法进行了分析,然后,进行一个语音截取合并的实验,结果表明:用Matlab进行语音处理不仅编程简便,也具有很好的效果。

基于改进ESC算法的语音端点检测及FPGA实现

针对语音端点检测的特征参数算法计算复杂、难以适用于硬件平台等问题,对传统的能量统计复杂度算法进行优化。经过预处理的语音数据快速傅里叶变换后只取正频率部分,通过前半帧的频率分量计算谱线能量与其对数值,得到复杂度,省略了概率密度的计算。改进后的能量统计复杂度算法能够逐帧地对语音信号进行流水线计算,具有运算量少、数据处理效率高、适合硬件操作的特点。语音端点检测系统通过单参数双门限端点检测判断,采用EP4CE22E22C8型号的FPGA实现。试验结果表明,系统在高信噪比与低信噪比环境中均有较好的检测效果,语音起点检测的滞后时间为96ms,实时性好。

基于独立成分分析和端点检测的变压器有载分接开关振动信号自适应分离

独立成分分析(independent component analysis,ICA)作为盲信号分离算法中的一种有效方法,能够快速、准确地实现源信号分离和恢复。为将变压器有载分接开关(on-loadtapchanger,OLTC)振动信号从变压器油箱表面振动信号中有效地分离出来,采用ICA经典算法中的二阶盲辨识算法来分离变压器OLTC信号,并结合冲击信号的端点检测法以及互相关函数相位对准法来实现信号分离的自适应。实验结果证明,该方法能够准确、有效地从变压器油箱表面振动信号中分离出OLTC的振动信号。

强噪声环境下改进的语音端点检测算法

为了提高强噪声环境下语音端点检测的正确率,克服传统的短时能量和短时过零率双门限语音端点检测算法在低信噪比(SNR)条件下检测性能急剧下降这一缺陷,提出了一种改进的语音端点检测算法。该方法对强噪声环境下的语音信号,首先进行小波阈值去噪,提高信噪比,再采用双门限法进行端点检测。实验结果表明,该算法具有一定的鲁棒性,在强噪声环境下仍能准确地进行语音端点检测,从而该算法的有效性得到验证。

语音信号端点检测方法综述及展望

端点检测是语音信号处理过程中非常重要的一步,它的准确性直接影响语音信号处理的速度和结果,因此端点检测方法的研究,特别是在噪声环境下端点检测的研究,一直是语音信号处理中的热点。从基于时域参数、频域参数、时频参数、模型匹配等方法的角度,较全面地回顾了端点检测方法的发展历程,对各种方法的优缺点进行了比较分析,并给出了这些方法的改进意见,对端点检测未来的研究方向进行了展望。

一种改进的自适应子带谱熵语音端点检测方法

噪声环境下的语音端点检测在稳健语音识别中占有十分重要的地位。自适应子带谱熵法是一种新的端点检测方法,它的思想是将一帧语音分成若干个子带,再用谱熵法进行运算,子带的个数可以自适应选择。该方法具有一定的稳健性,但随着信噪比的降低,语音端点检测的准确性也随之下降。提出了一种结合加权功率谱减的子带自适应谱熵法,并给出了该方法的实现步骤。该方法采用边降噪边用稳健性好的特征参数做语音端点检测,从两个方面来提高端点检测的准确性。实验结果表明该方法具有良好的性能,在不同信噪比的不同加性噪声下系统识别率都有提高。

基于经验模态分解和Teager峭度的语音端点检测

采用经验模态分解和Teager峭度的统计特性对噪声环境下的语音信号端点进行检测。利用经验模态分解获得语音信号的本征模态函数,用Teager能量算子计算每个本征模态函数的瞬时能量,并对本征模态函数进行系数—峭度计算,提取信号期望的统计特征信息实现语音端点的检测。通过自适应EMD分解和Teager能量算子的处理,这种方法可以有效地消除白噪声或有色高斯噪声的影响。通过仿真例子说明这种方法可以取得良好的端点检测效果,仿真研究结果表明用经验模态分解和Teager峭度对噪声环境下的语音端点检测是可行的和有效的,提高了检测的可靠性。

一种噪声环境下的实时语音端点检测算法

语音识别中的端点检测要求对噪声有很强的鲁棒性。该文提出一种方法,综合采用了语音信号中的4个相互之间独立性强的特征-短时能量、倒谱距离、能量谱方差和能量-熵特征,有效地改进传统的基于单一语音特征方法的缺陷,在动态变化的噪声环境中,大大提高了端点检测对噪声的鲁棒性;为了克服分类回归树(CART)决策法的过度复杂性,引入一种新的5状态自动机进行快速决策,以保证算法的实时性能,并且能够提高端点检测的可靠性。通过各种实际噪声环境的测试,实验表明这一算法可以显著提高在低信噪比、噪声动态变化的各种环境下的端点检测性能。