基于EMD和概率神经网络的说话人识别

基于EMD和概率神经网络的说话人识别方法,主要针对语音信号具有强时变特性问题,通过自适应性的经验模态分解(EMD)方法,对不同说话人的语音信号进行分解后,得到反映信号特征的本征模态函数(IMF),然后计算IMF的能量并进行归一化得到能量特征向量,利用具有简单高效的模式识别功能的概率神经网络(PNN),对不同说话人的语音能量特征向量识别,从而达到说话人识别的目的。实验结果表明,在噪声污染不大的情况下,该方法能够准确快速地识别说话人身份,具有较高的识别性能。

基于经验模态分解的筛选条件研究

经验模态分解是Hilbert-Huang变换(HHT)的关键算法,它分解信号的能力直接影响到HHT的实用性和应用价值.为了研究经验模态分解对多分量复合信号的筛选条件,我们主要研究了在理想条件下经验模态分解筛选过程的特性及其对双分量信号模型的筛选条件,然后推出经验模态分解对多分量复合信号的筛选条件,并给出相应数值实验分析.

基于EMD的瞬时频率计算方法的比较研究

经验模态分解(EMD)是希尔伯特-黄变换(HHT)分析的核心,是有效计算瞬时频率的必要的前提条件。为了进一步研究和应用HHT,文章对其中的三种瞬时频率计算方法:希尔伯特变换(HT)、归一化希尔伯特变换(NHT)和直接正交(DQ)法,进行了统一的理论分析和论证,指出它们的局限性,并对这三种方法进行比较,给出相应的数值实验来验证结论。