基于改进LPCC和MFCC的汉语耳语音识别

以提高汉语耳语的识别率为目的,提出了将MFCC、LPCC及它们各自的动态参数等多种特征有效结合进行耳语识别的方法。实验结果说明了LPCC、MFCC结合动态参数可作为汉语耳语音识别的特征参数,且它们的结合提高了系统的识别率,在小字库内得出的识别率为94.5%。

基于MFCC和LPCC的说话人识别

MFCC参数和LPCC参数是说话人识别中两种最常用的特征参数,研究了MFCC和LPCC参数提取的算法原理及差分倒谱参数的提取方法,采用MFCC、LPCC及其一阶、二阶差分作为特征参数,通过k均值算法与三层BP神经网络来进行说话人识别。实验结果表明,该方法可以有效提高识别率,同时也验证MFCC参数的鲁棒性优于LPCC参数。

基于小波包-LPCC的说话人识别特征参数

论文研究了小波包变换及LPCC参数的提取,在此基础上,提取了基于小波包变换和LPCC的新参数(DWT-LPCC),并基于GMM系统进行说话人识别实验。结果表明,相对于LPCC参数,DWT-LPCC参数大大提高了噪声环境下的说话人识别率。

铣削声谱LPCC与刀具切削时间的关系

提出了采用线性预测倒谱系数(linear predictive cepstrum coefficient,简称LPCC)监测刀具磨损的方法。使用LPCC作为可听阈内铣削声信号的声谱特征参数,对LPCC进行统计处理,计算LPCC分量的F比,分析LPCC分量与切削时间的关系,寻找LPCC与刀具磨损之间的规律。研究结果表明,铣削声信号的LPCC相关分量加权和可以有效地反映铣刀的磨损变化规律。

基于LPCC的多语种识别算法

语种识别是多语种信息服务和机器翻译等处理任务的必要预处理过程。提出了基于线性预测倒谱系数的多语言识别系统,由于LPCC属于倒谱域的语音特征,能够比较简单地分离开语音信号中的声门激励信号与声道冲激响应,所以系统中选择使用LPCC作为特征参数,并使用K-均值的矢量量化方法进行聚类得到训练的初始码本。通过对不同帧长的测试,得到选择较长的帧长时可以获得较好的识别概率的结论。

基于短时能量—LPCC的语音特征提取方法研究

为了提高语音信号的识别率,提出了一种基于短时能量—LPCC的语音特征提取方法。该方法在LPCC参数的基础上,增加每帧信号的短时能量信息,使得新参数能够更为准确的表征语音信号。通过仿真实验,说明了新特征参数取得了较高的识别率。

MFCC和LPCC特征参数在说话人识别中的研究

特征提取是说话人识别系统中的一项关键技术,讨论了在说话人识别中语音特征的提取,详细介绍了求取MEL倒谱系数MFCC和线性预测倒谱系数LPCC的具体步骤和算法,并对MFCC和LPCC语音特征参数做出了理论分析和实验数据比较,通过实验论证了对于低频语音,采用MFCC参数的说话人识别在屏蔽噪音和抗噪声能力都优于采用LPCC参数的说话人识别.

基于LPCC参数的语音识别系统

为了识别简单语音,设计了一个基于LPCC参数的语音识别系统。该系统其主要功能有语音信号的录制、播放、预处理、分段滤波、特征提取以及识别语音。最后通过仿真实验验证了本系统能够达到识别简单语音的要求,但仍有需改进的地方,如:能否在复杂环境下识别比较复杂的语音。

基于LPCC的话者识别系统

本文讨论话者识别系统的处理过程,从信号预处理开始(数字采样、预加重滤波、加窗分帧)开始,分别介绍了语音信号的端点检测、特征参数提取以及简单识别的方法,并对每个步骤可用的几种方法在实验的基础上进行了分析对比。最终,根据选择的LPCC特征参数和识别算法设计了基于LPCC的话者识别系统。

一种改进的LPCC参数提取方法研究

为了提高语音信号的识别率,提出了一种改进的LPCC参数提取方法。该方法先对语音信号进行预加重、分帧加窗处理,然后进行小波分解,在此基础上提取LPCC参数,从而构成新向量作为每帧信号的特征参数。最后采用高斯混合模型(GMM)进行说话人语音识别,实验表明新特征参数取得了较好的识别率。

融合LPCC和MFCC的支持向量机OSAHS鼾声识别

单纯打鼾者的鼾声与阻塞性睡眠呼吸暂停低通气综合征(Obstructive Sleep Apnea-Hypopnea Syndrome,OSAHS)患者的鼾声在声学特征上有较大的区分度。从鼾声的声学特征出发,提出一种基于支持向量机(Support Vector Machines,SVM)的Fisher准则融合特征鼾声分类算法。首先,通过使用线性预测倒谱系数(Linear Prediction Cepstrum Coefficient,LPCC)和梅尔倒谱系数(Mel-scale Frequency Cepstral Coefficient,MFCC)的特征提取方法来分别提取鼾声的特征,并通过计算得出LPCC和MFCC每一维特征参数的Fisher比;然后,根据Fisher比的大小进行LPCC和MFCC的特征融合;最后,用SVM进行鼾声的特征分类,识别单纯打鼾者和OSAHS患者。实验结果表明,以融合LPCC和MFCC特征参数作为特征参数时,抗噪性能好且具有较高的识别准确率,准确率达到95.8%。

一种基于MFCC和LPCC的文本相关说话人识别方法

在说话人识别的建模过程中,为传统矢量量化模型的码字增加了方差分量,形成了一种新的连续码字分布的矢量量化模型。同时采用美尔倒谱系数及其差分和线性预测倒谱系数及其差分相结合作为识别的特征参数,来进行与文本有关的说话人识别。通过与动态时间规整算法和传统的矢量量化方法进行比较表明,在系统响应时间并未明显增加的基础上,该模型识别率有一定提高。

基于切削声LPCC的刀具磨损监测

提出了基于切削声线性预测倒谱系数(LPCC)的刀具磨损状态监测方法。采用LPCC对可听阈内的切削声信号进行表征,分析了LPCC的分量与刀具磨损的关系。利用LPCC相关分量加权和反映刀具的磨损状态,并进行了验证。研究结果表明,切削声信号的LPCC相关分量加权和可以有效地反映刀具的磨损状态。

基于MFCC与LPCC的滚动轴承故障音频诊断法

本文结合语音识别中运用较广的美尔频率倒谱系数(MFCC)和线形预测倒谱系数(LPCC)作为滚动轴承音频信号的特征参数,并使用具有强学习能力的神经网络方法进行故障诊断,最后依靠Dempster-Shafrg(D-S)证据理论进行分析得出可信度高的判定结果。实验结果表明,该方法在滚动轴承的音频信号故障诊断中有效可行。在积累足够量的样本数后,可望建立相应的专家库,实现轴承故障的快速智能诊断。

基于LPCC和能量熵的端点检测

为提高语音端点检测系统在低信噪比下检测的准确性,提出了一种基于倒谱特征和谱熵的端点检测算法。首先,根据分析得到待测语音帧的倒谱特征量,然后计算该特征量分别在通过训练得到的语音和噪声的高斯混合模型下的似然概率,通过两者概率的比较作出有声无声初判决;联合能量熵端点检测结果得到最终判决,最后通过Hangover机制最大限度的保护了语音。实验结果表明,此方法改善了能量熵端点检测法在babble噪声下的劣势,且在不同噪声环境下均优于G.729 Annex B的性能。

铣削声谱LPCC与刀具切削时间的关系分析

因为刀具的切削时间和刀具的磨损状态存在着相等的增减关系,所以本文利用铣削声谱LPCC(linear predictive cep-strum coefficient,线性预测倒谱系数)和刀具磨损状态之间的关系求解铣削声谱线性预测倒谱系数LPCC与刀具切削时间之间的关系。本文首先分析了线性预测倒谱系数LPCC的基本原理,而后利用线性预测倒谱系数LPCC对可听阈内的切削声信号进行表征,刀具的磨损状态利用线性预测倒谱系数LPCC相关分量加权和进行反映,最终结果显示铣削声谱线性预测倒谱系数LPCC相关分量加权和能够对刀具的切削时间进行有效地反映。

LPCC浮点运算IP核的设计与实现

介绍了线性预测倒谱系数(Linear Prediction Cepstrum Coefficient,LPCC)提取算法,给出该算法的一种浮点IP核实现模型,并详细描述了各个子模块的设计方法。以VHDL作为设计语言,在ISE、ModelSim软件下完成综合和仿真,并在Xilinx Spartan-3 FPGA目标板上实现设计。采用关键路径流水线实现、资源共享等技术进行优化。该IP核计算结果精度高,运算时间短,已经成功应用在嵌入式语音识别系统中。

基于特征参数LPCC与AMDF的异常声音检测

区别于视频监控这一重要技术手段,异常声音从监控者的听觉角度十分高效的反映出监控场景的异常情况,对于监控公共场所的安全有着十分显著的作用。因此,异常声音的研究方法也受到了国内外许多学者和机构的重视。文章提出了一种由线性预测倒谱系数(Linear Prediction Cepstrum Coefficient,LPCC)与短时平均幅度差(Average Magnitude Difference Function,AMDF)融合的新型联合特征参数并结合高斯混合模型(Gaussian Mixture Model,GMM)应用于异常声音检测工作,实验结果显示所实现方法在对危险声音检测时得到了较好检测准确率。

基于FIR滤波的LPCC在语音相似度分析中的应用

将线性预测倒谱系数LPCC作为语音特征相似度的评价参数,采用欧氏距离来衡量语音的相似度,据此分析测试者语音与标准语音(或参考语音)间的偏差,以此给出测试者语音质量优劣的评价结果。该评价方法有助于语言学习者提高发音质量和朗读能力,并为语言口语教学评价提供一种新思路和新方法。

基于LPCC与似然比的法庭说话人识别

提出了使用语音LPCC作为识别特征，在似然比框架下的法庭说话人识别方法，并使用44人不同时间段的电话对话录音中元音／a／作为样本进行了测试，取得了极高的识别率。该方法不仅能正确识别说话人，而且能根据当前语音证据的差异，量化该语音样本作为证据的力度，为法庭提供科学合理的证据评估结果。自动特征提取的引入比起人工提取共振峰特征，大大提高了工作效率，识别性能也获得大幅提升。