两类非对称双箭型矩阵的广义逆谱问题

针对两类非对称双箭型矩阵的广义逆谱问题,本文先将两类矩阵的两组特征对作为其特征数据,然后利用矩阵元素间具有的函数关系、线性关系及箭型矩阵的相关性质,将两类矩阵的逆谱问题转换为求解线性方程组的问题,进而实现了两类矩阵的重构。本文给出了该问题有唯一解的充分必要条件以及问题构造的算法,并通过相应数值实例验证了所得结果。

基于线谱对高效矢量量化的0.6kb/s语音编码算法

为了提高通信系统的抗干扰和抗攻击能力,尽可能降低语音编码速率。提出了一种0.6 kb/s语音编码算法。算法基于3帧联合,对多帧联合参数采用高效矢量量化,在降低语音编码速率的条件下保证语音编码质量。其中,对线谱对参数采用预测多模式多级矢量量化码本结构。在码本设计过程中,提出了多模式渐进闭环设计,对各类码本联合优化,并联合优化预测器和量化器,可以有效提高线谱对参数量化质量。在译码方,采用多带混和谐波激励提高合成语音清晰度。测试结果表明,该语音编码算法合成语音PESQ(perceptual evaluation of speech quality)得分可以达到2.7,汉语诊断押韵测试DRT(diagnostic rhyme test)得分可以达到89.7。

一种语音信号线谱对参数的优化算法

提出了一种计算语音信号线谱对(LSP)参数的新算法.LSP参数可以通过求解一个与线性预测系数(LPC)相关的非线性N阶方程得到.首先利用埃特金迭代法求高阶非线性方程的一个实数根,再采用多项式综合除法降阶,最后运用费拉里算法求解一元四次方程的根,得到LSP系数.理论分析以及基于TMS320C5510 DSP的实验结果表明,文中提出的算法与目前的算法相比,不仅计算精度高、运算量小,完全可以实时处理,而且并可应用于G.729A标准等低码率实时语音传输系统.

线谱对参数预测多级矢量量化联合优化算法

提出了一种线谱对参数预测多级矢量量化联合优化算法。该算法对预测系数和多级矢量量化采用渐进闭环设计,通过迭代实现预测系数和多级矢量量化设计的联合优化。在多级矢量量化设计过程中,采用迭代优化实现多级码本的联合优化。采用语音线谱对参数对量化算法进行测试。测试结果表明,与传统算法相比,该量化算法可以减小线谱对参数量化失真,提高编码语音质量。

基于线性预测模型的氦语音增强算法研究

潜水员在水下工作时,由于生理方面的原因,需要以氦氧混合气体作为呼吸气体,由于气体结构的变化出现了氦语音现象,使得语音发生畸变,降低了清晰度。通过介绍基于线性预测模型的氦语音增强算法,将频域的线谱对(LSP)分析应用于氦语音增强中,由于线谱对系数与语音信号谱包络有紧密的联系,用线谱对参数(LSP)构成合成滤波器时更容易保证稳定性,所以提出了一种基于线谱对系数(LSP)的氦语音增强算法。通过实验将这种算法与基于线性预测LPC的增强算法进行了比较,实验结果表明,两种算法均能对氦语音进行矫正,并且新的算法能够对共振峰进行单独调节,在不影响清晰度的同时最大限度地保持了原有语音的细节,提高了可懂度。

一种选择预测矢量量化的迭代优化设计方法

为了提高选择预测矢量量化的性能,提出了一种迭代优化设计方法。利用常规的前后帧相关性划分训练数据,采用不同的训练数据进行各个预测系数计算和码本设计。采用设计的预测系数和码本对训练数据进行量化,根据量化误差大小调整训练数据划分。通过训练数据划分和码本设计迭代,优化选择预测矢量量化码本设计。该方法改进了训练数据固定划分的缺点,可以有效提高选择预测矢量量化设计性能。以语音线谱对参数为实验数据进行实验,实验结果表明,该方法能减小参数量化失真,改善信号压缩质量。

采用GW-MFCC模型空间参数的语音情感识别

针对单一语音特征对语音情感表达不完整的问题,将具有良好量化和插值特性的LSF参数与体现人耳听觉特性的MFCC参数相融合,提出基于线谱权重的MFCC(WMFCC)新特征。同时,通过高斯混合模型来对该参数建立模型空间,进一步得到GW-MFCC模型空间参数,以获取更高维的细节信息,进一步提高情感识别性能。采用柏林情感语料库进行验证,新参数的识别率比传统的MFCC和LSF分别有5.7%和6.9%的提高。实验结果表明,提出的WMFCC以及GW-MFCC参数可以有效地表现语音情感信息,提高语音情感识别率。

集群通信中的代数CELP语音压缩编码

描述了欧洲全数字集群系统(TETRA)声码器中的ACELP算法、结构及其技术特点。采用Chebyshev多项式准确有效地估算线谱对(LSP);采用开环和闭环分析相结合进行非整数基音搜索;采用代数码本结构作为固定码本,大大降低了计算复杂度,在频域更好地控制了激励信号的统计特性。ACELP在低于4.8 kb/s的码率下能获得较好的语音质量。

一种改进的6.25 kbit/s GSM半速率语音编码方案

在采用ＣＥＬＰ（码激励线性预测）作为ＧＳＭ半速率编码方案的基础上，对ＣＥＬＰ的三个主要组成部分分别进行了改进，在ＬＳＰ（线谱对）参数分析中提出了将求解和量化相结合的快速算法；在ＬＴＰ（长时预测）分析的分数延迟搜索中，采用逐步缩小搜索范围的方法；在随机码本搜索中，采用高斯重叠稀疏码本。这些措施大大降低了计算量，从而在保证合成语音质量的基础上能够采用单片ＤＳＰ实时实现整个ＣＥＬＰ编译码器。

基于线谱区域量化技术的低速语音编码

本文将线谱对 (L inear Spectrum Pair,L SP)参数用于语音编码 ,同时分析比较了 L SP与常用的线性预测系数 (L PC)和格滤波发射系统 (PARCOR)的特征分别 ,并由此引入更能有效量化线谱对参数的区域量化技术。因此在保证编码后语音 MOS指标的同时 ,可以达到进一步降低了码率的目的。

基于LSP线谱对参数的GMM说话人识别系统

提出一种基于线谱对LSP特征参数的说话人识别算法。利用线谱对LSP(LinearSpectrumPairs)系数良好的动态范围和滤波稳定性,以及良好的内插特性和量化特性,提取语音信号中隐含的音谱特征。本文将LSP算法和高斯混合模型(GMM)相结合,实验证明说话人识别系统中LSP比用LPCC作为特征参数有着更好的识别效果,在低码率的说话人识别方面有着良好的应用前景。

6.3kbit/s CELP语音编码的研究

提出了一种新的 6 .3kbit/sCELP语音编码方案 ,其语音质量接近ITU TG .72 9的合成语音质量 ,而编解码复杂度约为 10MIPS。它在CELP的 3个主要方面作了改进 :LSP参数的矢量量化 ;开环基音预测 ,长时预测滤波器系数的求解和量化一体化 ;代数码本激励。这些措施在保证合成语音质量的前提下大大降低了计算量 ,从而能够在单片TMS32 0C30系统上实时实现。

LSP参数的语音分析和合成研究

通过对线谱对(LSP)在语音分析和合成中的计算机模拟实验,证明了LSP参数是频域内的参数,可以直接跟踪共振峰,进行基音提取和清/浊音判断;具有较好的平稳性、内插特性和量化特性.利用频谱性质,提出了用双向比较求取LSP参数的方法,能有效地简化求解运算。与PARCOR参数相比,要得到同等音质的语音,用LSP参数可减少25％左右的数码率。

基于Gaussian混合模型的LSF参数量化方法

为了高效率量化线谱频率(linear spectrumfrequency,LSF)参数,提出了基于G auss ian混合模型(G auss ian m ix ture m ode l,GMM)的LSF量化算法。假设LSF矢量属于GMM中的某一个G auss ian分布,用G auss ian分布随机矢量的量化方法对LSF矢量进行了量化。利用准确的G auss ian分布变量量化误差,得到了G auss ian分布矢量的比特分配方法。应用G auss ian分布随机变量的非均匀量化方法量化每一维LSF参数。最后给出了分裂矢量量化、基于概率密度函数(probab ility dens ityfunction,PDF)量化方法和该算法的性能对比。该无记忆LSF量化算法在21 b/帧可以达到透明量化,比传统Sp litVQ节省3 b。

线谱对(LSP)分析在G.729语音编码算法中的应用

本文介绍了线谱对(Linear Spectrum Pair,LSP)分析的基本原理及其在G.729中的应用,同时分析比较了LSP参数与常用的线性预测系数LPC的区别,仿真结果表明,LSP参数的抗干扰能力远比LPC系数的抗干扰能力强。

预测自适应Gauss混合模型线谱频率的量化

为了实现高质量低速率的语音编码,提出了高效线性预测Gauss混合模型(Gaussian mixture model,GMM)线谱频率参数量化算法(LP-GMM-LSFQA)。线谱频率(linear spectral frequency,LSF)参数先去均值,经过一阶线性预测,得到残差信号,将残差用协方差矩阵为对角阵GMM量化算法进行量化。在此基础上,利用反量化后参数自适应更新GMM的加权系数和均值,进一步提出了预测自适应GMM-LSF量化算法(LP-AGMM-LSFQA)。实验表明:LP-GMM-LSFQA在20 b/帧时量化性能超过预测分裂矢量量化22 b/帧时的量化性能,节约2b/帧;LP-AGMM-LSFQA量化性能优于LP-GMM-LSFQA。