MP稀疏分解快速算法及其在语音识别中的应用

提出一种新的基于Matching Pursui(tMP)的语音信号稀疏分解算法。在对语音信号稀疏分解中使用的过完备原子库进行划分的基础上,将内积运算转换成互相关运算,并结合语音信号与原子是实的特性,利用Fast Hartley Transform(FHT)快速实现互相关运算。从而比利用FFT实现基于MP的信号稀疏分解节省一半的存储空间,提高分解速度约24.8%。此外,应用改进后的算法对语音信号进行特征提取,并结合语音信号的美尔(Mel)频率倒谱参数一起作为该信号的特征向量,通过Support Vector Machine(SVM)进行识别,最后通过实验验证了方法的有效性。

利用FFT实现语音信号稀疏分解的改进算法

研究基于Matching Pursuit(MP)方法实现的语音信号稀疏分解问题,通过对语音信号稀疏分解中使用的过完备原子库结构特性的分析,提出了一种改进的信号稀疏分解算法。该算法针对语音信号的特点,以FFT算法实现的稀疏分解为基础缩小了原子的搜索范围,从而不仅进一步提高分解速度,还能以更稀疏的形式表示语音信号。算法的有效性为实验结果所证实。

语音信号稀疏分解的FOA实现

信号的稀疏表示在信号处理的许多方面有着重要的应用,但稀疏分解计算量十分巨大,难以产业化应用。利用果蝇优化算法实现快速寻找匹配追踪(MP)过程每一步的最优原子,大大提高了语音信号稀疏分解的速度,算法的有效性为实验结果所证实。

压缩传感理论在参数估计中的应用

参数估计是信号处理许多领域研究的热点,并有着广泛应用。通过引入压缩传感(Compressed Sensing,CS)理论的思想,提出了一种基于压缩传感理论的信号参数估计方法。它省略了抛弃大部分高速采样的数据来实现压缩的中间过程,通过使用少量非适应随机投影来完成。与匹配追踪(MP)算法相比,此算法在相同的低采样点数下有明显的优势。理论分析及计算机仿真结果证实了算法的有效性。