一种基于噪声场景识别与多特征集成学习的活动语音检测方法

为了提高动态噪声环境下语音检测的准确性,提出一种基于噪声场景识别与多特征集成学习的活动语音检测方法。针对非平稳复杂音频信号,提取小波能量、奇异值等时频域特征,采用随机森林优选出可分性更好的特征组合。实验表明,相比于支持向量机与多层感知器分类模型,所提方法的语音检测准确率提升显著,并且在不同噪声类型、不同噪声强度下性能更加稳定。

光幕阵列测试系统动态信号半实物仿真

为了客观且科学地评估光幕阵列测试的性能,提出一种基于半实物仿真技术的测试方法.采用任意波形发生器代替光电探测器,与光幕阵列剩余部分组成一套半实物验证平台;根据光幕阵列动态信号特征,通过配置波形编辑软件的脉冲描述字选项以生成具有特定时间间隔的模拟信号;信号波形文件下载至任意波形发生器可生成两路模拟信号,信号采集与处理模块可以测量出信号的时间间隔,将测量值与理论值进行比较.经试验可知:该测试方法能够满足光幕阵列性能评估的要求,并优于之前的测试方法.

基于抛物面焦点麦克风预处理和迁移学习的语音增强方法

背景噪声会严重影响语音的质量和可懂度,从一段带噪语音中分离出目标语音,尽可能地降低背景噪声对目标语音的影响,是语音增强技术的目标.语音增强技术在自动语音识别、电话通信等领域有着广泛的应用,近年来,该技术也受到了学者的关注.在真实噪声环境中,带噪语音的背景噪声往往十分复杂,传统的语音增强方式无法很好地适应各类噪声场景.针对复杂的非线性问题,基于深度学习的语音增强方法具有很强的适应能力.然而,对于真实噪声环境,模型的增强性能往往因为泛化性不足而下降.为了进一步提升语音增强模型在真实噪声环境下的增强性能,提出了一种基于抛物面焦点麦克风预处理和迁移学习的语音增强方法.该方法利用抛物面焦点麦克风采集带噪语音和噪声,通过物理汇聚增强的方式,对带噪语音进行预处理.再利用迁移学习方法,小样本微调训练LSTM-convolutional-BLSTM编解码(LSTM-convolutional-BLSTM encoder-decoder,LCLED)网络的编码器和输出层,冻结解码器,通过算法模型,适应真实噪声环境特性,进一步增强语音.所提出的方法通过物理途径和算法途径两个方面,构建了一整套端到端的语音增强系统,提升了整个系统的语音增强性能,降低了深度神经网络算法模型的复杂度.实验结果表明,所提出的方法可以有效地增强真实噪声环境下的带噪语音.