基于动态单边自相关序列和频率规整线性预测的抗噪声语音识别

提出了一种既符合人耳听觉特性又具有良好抗噪性的语音特征分析方法。首先将单边自相关函数序列进行时间方向的平滑处理,提高单边自相关函数的抗噪性,然后用平滑后的单边自相关函数序列代替原信号进行频率规整的LPC分析,最后经倒谱变换得到该特征参数。数字语音识别实验证明:利用该特征参数的语音识别系统的识别性能优于MEL倒谱系数、LPC倒谱系数等传统的语音特征参数。

基于单边自相关序列的语音特征及其在带噪语音识别中的应用

提出了一种抗噪声的语音特征。首先计算语音信号单边自相关序列的差分序列，再计算该差分序列的线性预测系数，进一步求出倒谱系数。实验证明，传统的线性预测倒谱系数和单边自相关序列的线性预测倒谱系数相比，采用单边自相关序列差分序列的线性预测倒谱系数作为语音信号的特征矢量，可以提高语音识别系统对带噪语音的识别率。

基于单边自相关序列的抗噪声语音识别特征提取算法

基于单边自相关序列和频率规整的线性预测算法，提出了一种抗噪声的语音识别的新特征，它既符合入耳的听觉特性又具有良好抗噪性。通过汉语数字语音识别实验证明，新特征参数提高了语音识别系统的鲁棒性，优于传统的LPC倒谱系数。

基于单边自相关线性预测噪声中汉语语音识别

对含噪语音在自相关域上进行处理 ,以其自相关函数值为参数进行端点检测 ,以基于单边自相关序列的LPC倒谱系数作为语音的特征参数进行语音识别 ,实验表明 :这种方法较好地消除了噪声对语音信号的干扰 ,并获得了较高的识别率。在信号的信噪比低而自相关性又强时 ,此法能体现出不同一般的优势 ,为实际应用提供了可能。

一种基于相对自相关序列的语音端点检测法

在研究单边自相关序列(One-sided autocorrelation,OSA)和相对自相关序列(Relative autocorrelation sequences,RAS)的基础上,提出了一种基于相对自相关序列的语音信号的端点检测算法。该方法利用相对自相关算法能够消除噪声的原理,以语音信号相对自相关序列短时平均幅度代替双门限比较法中的语音信号短时平均幅度,以语音信号短时平均幅度代替语音信号的短时平均过门限率,实验表明,在低信噪比下检测精度要高于传统的双门限比较法。